Traditional sets versus rest-redistribution: a laboratory-controlled study of a specific cluster set configuration at fast and slow velocities
Notice bibliographique
Résumé
This study investigated redistributing long inter-set rest intervals into shorter but more frequent intervals at 2 different concentric velocities. Resistance-trained men performed 4 randomised isokinetic unilateral knee extension protocols, 2 at 60°·s −1 and 2 at 360°·s −1 . At each speed, subjects performed 40 repetitions with 285 s of rest using traditional sets (TS; 4 sets of 10 with 95 s of inter-set rest) and rest-redistribution (RR; 20 sets of 2 with 15 s inter-set rest). Before and at 2, 5, and 10 min after exercise, tensiomyography (TMG) and oxygenation (near-infrared spectroscopy; NIRS) were measured. NIRS was also measured during exercise, and rating of perceived exertion (RPE) was recorded after every 10 repetitions. At both speeds, RR displayed greater peak torque, total work, and power output during latter repetitions, but there were no differences between TS or RR when averaging all 40 repetitions. The RPE was less during RR at both speeds (p < 0.05). RR increased select muscle oxygen saturation and blood flow at both speeds. There were no effects of protocol on TMG, but effect sizes favoured a quicker recovery after RR. RR was likely beneficial in maintaining performance compared with the latter parts of TS sets and limiting perceived and peripheral fatigue. Novelty Although effective at slow velocities, rest-redistribution was likely more effective during high-velocity movements in this study. Rest-redistribution maintained the ability to produce force throughout an entire range of motion. Rest-redistribution reduced RPE during both high-velocity and high-force movements.
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 ».