Respiratory Frequency during Exercise: The Neglected Physiological Measure
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
The use of wearable sensor technology for athlete training monitoring is growing exponentially, but some important measures and related wearable devices have received little attention so far. Respiratory frequency (fR), for example, is emerging as a valuable measurement for training monitoring. Despite the availability of unobtrusive wearable devices measuring fR with relatively good accuracy, fR is not commonly monitored during training. Yet fR is currently measured as a vital sign by multiparameter wearable devices in the military field, clinical settings and occupational activities. When these devices have been used during exercise, fR was used for limited applications like the estimation of the ventilatory threshold. However, more information can be gained from fR. Unlike heart rate, V̇O2 and blood lactate, fR is strongly associated with perceived exertion during a variety of exercise paradigms, and under several experimental interventions affecting performance like muscle fatigue, glycogen depletion, heat exposure and hypoxia. This suggests that fR is a strong marker of physical effort. Furthermore, unlike other physiological variables, fR responds rapidly to variations in workload during high-intensity interval training, with potential important implications for many sporting activities. This Perspective article aims to i) present scientific evidence supporting the relevance of fR for training monitoring; ii) critically revise possible methodologies to measure fR and the accuracy of currently available respiratory wearables; iii) provide preliminary indication on how to analyze fR data. This viewpoint is expected to advance the field of training monitoring and stimulate directions for future development of sports wearables.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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