Cycling Performance Enhancement After Drop Jumps May Be Attributed to Postactivation Potentiation and Increased Anaerobic Capacity
Notice bibliographique
Résumé
de Poli, RAB, Boullosa, DA, Malta, ES, Behm, D, Lopes, VHF, Barbieri, FA, and Zagatto, AM. Cycling performance enhancement after drop jumps may be attributed to postactivation potentiation and increased anaerobic capacity. J Strength Cond Res 34(9): 2465-2475, 2020-The study aimed to investigate the effects of drop jumps (DJs) on supramaximal cycling performance, anaerobic capacity (AC), electromyography, and fatigue. Thirty-eight recreational cyclists participated into 3 independent studies. In study 1 (n = 14), neuromuscular fatigue was assessed with the twitch interpolation technique. In study 2 (n = 16), the AC and metabolic contributions were measured with the maximal accumulated oxygen deficit method and the sum of the glycolytic and phosphagen pathways. In study 3 (n = 8), postactivation potentiation (PAP) induced by repeated DJs was evaluated. The DJ protocol was effective for significantly improving cycling performance by +9.8 and +7.4% in studies 1 and 2, respectively (p ≤ 0.05). No differences were observed in electromyography between conditions (p = 0.70); however, the force evoked by a doublet at low (10 Hz) and high frequencies (100 Hz) declined for control (-16.4 and -23.9%) and DJ protocols (-18.6 and -26.9%) (p < 0.01). Force decline was greater in the DJ condition (p < 0.03). Anaerobic capacity and glycolytic pathway contributions were +7.7 and +9.1% higher after DJ protocol (p = 0.01). Peak force during maximal voluntary contraction (+5.6%) and doublet evoked force at 100 Hz (+5.0%) were higher after DJs. The DJ protocol induced PAP, improved supramaximal cycling performance, and increased AC despite higher peripheral fatigue.
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 | 0,001 | 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 ».