Comparison of nine heart rate-based models to predict work metabolism of Forest workers
Notice bibliographique
Résumé
Predicted work metabolism (WM) from 9 heart rate (HR)-based models were compared to measured WM obtained during work in 39 forest workers. Using measured (i.e. raw) HR in these models can overestimate actual WM since the HR increase associated with body heat accumulation is non-metabolic. Hence, accuracy of WM prediction was assessed on all possible combinations of models using raw HR and corrected HR (thermal component removed) and with five different estimates of maximum work capacity (MWC) for the models that require it as an input. The 50 model combinations produced a wide range of WM estimates. Three models using individual calibration produced the lowest RMSE and narrowest LoA with corrected HR (rRMSE ≤13%; LoA [rBias <5% ± 25%]). One of the models that requires neither determination of the thermal component nor individual calibration performed very well (rRMSE = 18%; LoA [rBias = 1% ± 36%]). Practitioner Summary: These results provide a better understanding of the accuracy of various HR-based work metabolism (WM) estimation models. This information should prove particularly useful to ergonomics professionals wishing to select a method that provides accurate estimation of WM from HR measurements during work in varied thermal environments. Abbreviations: BMI: body mass index; HR: heart rate (beats per min); HR99: HR value exceeded during 99% of the duration of the HR recording period; HRcorr: heart rate without thermal pulses; HRraw: measured heart rate; HRres: heart rate reserve; HRrest: heart rate at rest; LoA: limits of agreement; Mrest: resting metabolism; MWC: maximum work capacity; RMSE: root mean square error; VO2: oxygen consumption; VO2 max: maximum oxygen consumption; WM: work metabolism
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 ».