Influence of averaging method on muscle deoxygenation interpretation during repeated‐sprint exercise
Notice bibliographique
Résumé
Near‐infrared spectroscopy ( NIRS ) is a common tool used to study oxygen availability and utilization during repeated‐sprint exercise. However, there are inconsistent methods of smoothing and determining peaks and nadirs from the NIRS signal, which make interpretation and comparisons between studies difficult. To examine the effects of averaging method on deoxyhaemoglobin concentration ([ HH b]) trends, nine males performed ten 10‐s sprints, with 30 seconds of recovery, and six analysis methods were used for determining peaks and nadirs in the [ HH b] signal. First, means were calculated over predetermined windows in the last 5 and 2 seconds of each sprint and recovery period. Second, moving 5‐seconds and 2‐seconds averages were also applied, and peaks/nadirs were determined for each 40‐seconds sprint/recovery cycle. Third, a Butterworth filter was used to smooth the signal, and the resulting signal output was used to determine peaks and nadirs from predetermined time points and a rolling approach. Correlation and residual analysis showed that the Butterworth filter attenuated the “noise” in the signal, while maintaining the integrity of the raw data ( r = .9892; mean standardized residual −9.71 × 10 3 ± 3.80). Means derived from predetermined windows, irrespective of length and data smoothing, underestimated the magnitude of peak and nadir [ HH b] compared to a rolling mean approach. Consequently, sprint‐induced metabolic changes (inferred from Δ[ HH b]) were underestimated. Based on these results, we suggest using a digital filter to smooth NIRS data, rather than an arithmetic mean, and a rolling approach to determine peaks and nadirs for accurate interpretation of muscle oxygenation trends.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».