MétaCan
Menu
Retour à la cohorte
Enregistrement W2774419417 · doi:10.3389/fphys.2017.00922

Respiratory Frequency during Exercise: The Neglected Physiological Measure

2017· article· en· W2774419417 sur OpenAlexaff
Andrea Nicolò, Carlo Massaroni, Louis Passfield

Notice bibliographique

RevueFrontiers in Physiology · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Invasive Vital Sign Monitoring
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésWearable computerWorkloadWearable technologyMedicineInterval trainingComputer sciencePhysical medicine and rehabilitationPhysical therapyEmbedded system

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,002
Communication savante0,0030,003
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,228
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations207
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PhysiologyMême sujetNon-Invasive Vital Sign MonitoringTravaux en français237 207