Optimizing Interval Training Through Power-Output Variation Within the Work Intervals
Notice bibliographique
Résumé
PURPOSE: Maximal oxygen uptake (V˙O2max) is a key determinant of endurance performance. Therefore, devising high-intensity interval training (HIIT) that maximizes stress of the oxygen-transport and -utilization systems may be important to stimulate further adaptation in athletes. The authors compared physiological and perceptual responses elicited by work intervals matched for duration and mean power output but differing in power-output distribution. METHODS: Fourteen cyclists (V˙O2max 69.2 [6.6] mL·kg-1·min-1) completed 3 laboratory visits for a performance assessment and 2 HIIT sessions using either varied-intensity or constant-intensity work intervals. RESULTS: Cyclists spent more time at >90%V˙O2max during HIIT with varied-intensity work intervals (410 [207] vs 286 [162] s, P = .02), but there were no differences between sessions in heart-rate- or perceptual-based training-load metrics (all P ≥ .1). When considering individual work intervals, minute ventilation (V˙E) was higher in the varied-intensity mode (F = 8.42, P = .01), but not respiratory frequency, tidal volume, blood lactate concentration [La], ratings of perceived exertion, or cadence (all F ≤ 3.50, ≥ .08). Absolute changes (Δ) between HIIT sessions were calculated per work interval, and Δ total oxygen uptake was moderately associated with ΔV˙E (r = .36, P = .002). CONCLUSIONS: In comparison with an HIIT session with constant-intensity work intervals, well-trained cyclists sustain higher fractions of V˙O2max when work intervals involved power-output variations. This effect is partially mediated by an increased oxygen cost of hyperpnea and not associated with a higher [La], perceived exertion, or training-load metrics.
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) | 0,000 | 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 ».