Effect of cycling specialization on effort and physiological responses to uphill and flat cycling at similar intensity
Notice bibliographique
Résumé
Abstract Power output is considered one of the best tools to control external loads in cycling, but the relationship between a target power output and the physiological responses may suffer from the effects of road gradient, which is also affected by cyclist specialization. The objective was to determine the effects of cyclist specialization on effort perception and physiological response (heart rate and lactate concentration) while sustaining efforts at similar power output but riding on two different road gradients. Nineteen male competitive road cyclists performed two randomized trials of 10 min at 0% (velodrome) and 10 min at 6% road gradient (field uphill), at an intensity of 10% ± 3% below the individual's functional threshold power. Cadence was kept between 75 and 80 rpm in both trials and posture remained unchanged during the tests. Heart rate, speed, cadence, power output, blood lactate, and rate of perceived effort were measured for each trial. K ‐means cluster analyses differentiate uphill (n = 10) and flat specialists (n = 9) according to lactate responses. Flat specialists presented lower heart rate ( p < 0.001 and ES = 0.2), perceived exertion ( p < 0.01 and ES = 0.7), and blood lactate concentration ( p < 0.001 and ES = 0.7) riding on the flat than uphill. Uphill specialists presented lower perceived exertion ( p < 0.01 and ES = 0.8) and blood lactate concentration ( p < 0.01 and ES = 0.5) riding uphill than on the flat. In conclusion, the combination of cyclist specialization and road gradient affects physiological and effort perception parameters in response to a similar power output demand. These factors deserve attention in training schedules and monitoring performance using power output data.
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 | 0,002 | 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 ».