Is Perceived Exertion an Useful Indicator of Metabolic and Cardiovascular Response to Metabolic Conditioning of Functional-Fitness Session? A Randomized Controlled Trial
Notice bibliographique
Résumé
The purpose of this study was to assess if self-regulation of intensity based on rating of perceived exertion (RPE) is a reliable method to control the intensity of metabolic conditioning of functional-fitness session. In addition, the relationship between RPE and changes in heart rate and lactate responses was also analyzed. Eight male participants (age 28.1 ± 5.4 years; body mass 77.2 ± 4.4kg; VO2max: 52.6 ± 4.6 mL·(kg·min)−1) completed three randomly sessions (5 to 7 days apart) under different conditions: (1) all-out (ALL); (2) self-regulation of intensity based on a RPE of 6 (hard) on the Borg CR-10 scale (RPE6); and (3) a control session. Rate of perceived exertion, LAC and HR response were measured pre, during and immediately after the sessions. The RPE and LAC during the ALL-OUT sessions were higher (p ≤ 0.05) than the RPE6 and control sessions for all the analyzed time points during the sessions. Regarding HR, the 22 min area under the curve of HR during ALL-OUT and RPE6 sessions were significantly higher (p ≤ 0.05) than the control session. The average number of repetitions was lower (p ≤ 0.05) for the RPE6 session (190.5 ± 12.5 repetitions) when compared to the ALL session (214.4 ± 18.6 repetitions). There was a significant correlation between RPE and LAC (p = 0.001; r = 0.76; very large) and number of repetitions during the session (p = 0.026; r = 0.55; large). No correlation was observed between RPE and HR (p = 0.147; r = 0.380). These results indicate that self-regulation of intensity of effort based on RPE may be a useful tool to control exercise intensity during a metabolic conditioning session of functional-fitness.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,005 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».