Heart rate variability mediates motivation and fatigue throughout a high-intensity exercise program
Notice bibliographique
Résumé
High-intensity exercise interventions are often promoted as a time-efficient public health intervention to combat chronic disease. However, increased physical effort and subsequent fatigue can be barriers to long-term maintenance of high-intensity exercise programs. The purpose of the present study was to determine if heart rate variability (HRV) mediated state traits related to exercise program adherence. Fifty-five healthy men and women (ages 19–35 years) used a commercially available smartphone application to monitor daily HRV status throughout a 6-week high-intensity exercise intervention. Participants reported state motivation to exercise and global physical fatigue immediately prior to each exercise session. Temporary shifts toward increased parasympathetic reactivation (p = 0.030) resulted in significant increases in daily fatigue (p < 0.001) and decreases in motivation to exercise (p = 0.028). Through modulation of exercise volume, in response to these temporary shifts in HRV, these effects were reversed (p < 0.001) via increased parasympathetic withdrawal (p = 0.018). For the first time, these data demonstrate a mediating effect of HRV on adherence-related trait states throughout a high-intensity exercise program. Applied strategies, such as appropriately timed exercise volume moderation, may be able to leverage this effect and help facilitate long-term exercise program maintenance. Novelty These data establish a link between expected shifts in HRV throughout high-intensity exercise programs with motivation to participate and physical fatigue. Modulation of training volume, in response to these shifts, can optimize adherence-related behavioral responses during high-exercise programs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».