Influence of music on maximal self-paced running performance and passive post-exercise recovery rate.
Notice bibliographique
Résumé
AIM: The purpose of this study was to examine the influence of fast tempo music (FM) on self--paced running performance (heart rate, running speed, ratings of perceived exertion), and slow tempo music (SM) on post--exercise heart rate and blood lactate recovery rates. METHODS: Twelve participants (5 Women) completed three randomly assigned conditions: static noise (control), FM and SM. Each condition consisted of self--paced treadmill running, and supine post--exercise recovery periods (20 min each). Average running speed, heart rate (HR) and ratings of perceived exertion (RPE) were measured during the treadmill running period, while HR and blood lactate were measured during the recovery period. RESULTS: Listening to FM during exercise resulted in a faster self--selected running speed (10.8 ± 1.7 vs. 9.9 ± 1.4 km•hour--1, p<0.001) and higher peak HR (184 ± 12 vs. 177 ± 17 beats•min--1, p< 0.01) without a corresponding difference in peak RPE (FM, 16.8 ± 1.8 vs. SM 15.7 ± 1.9, p= 0.10). Listening to SM during the post--exercise period reduced HR throughout (main effect p<0.001) and blood lactate at the end of recovery (2.8 ± 0.4 vs. 4.7 ± 0.8 mmol•L--1, p<0.05). CONCLUSION: Listening to FM during exercise can increase self--paced intensity without altering perceived exertion levels while listening to SM after exercise can accelerate the recovery rate back to resting 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».