MétaCan
Menu
Retour à la cohorte
Enregistrement W3048796005 · doi:10.1111/sms.13802

Predefined vs data‐guided training prescription based on autonomic nervous system variation: A systematic review

2020· review· en· W3048796005 sur OpenAlexaff
Peter Düking, Christoph Zinner, Jennifer L. Reed, Hans‐Christer Holmberg, Billy Sperlich

Notice bibliographique

RevueScandinavian Journal of Medicine and Science in Sports · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueHeart Rate Variability and Autonomic Control
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésAutonomic nervous systemMedicineMedical prescriptionPhysical medicine and rehabilitationVariation (astronomy)Training setPhysical therapyComputer scienceInternal medicineArtificial intelligenceBlood pressureHeart ratePharmacology

Résumé

récupéré en direct d'OpenAlex

Monitoring variations in the functioning of the autonomic nervous system may help personalize training of runners and provide more pronounced physiological adaptations and performance improvements. We systematically reviewed the scientific literature comparing physiological adaptations and/or improvements in performance following training based on responses of the autonomic nervous system (ie, changes in heart rate variability) and predefined training. PubMed, SPORTDiscus, and Web of Science were searched systematically in July 2019. Keywords related to endurance, running, autonomic nervous system, and training. Studies were included if they (a) involved interventions consisting predominantly of running training; (b) lasted at least 3 weeks; (c) reported pre‐ and post‐intervention assessment of running performance and/or physiological parameters; (d) included an experimental group performing training adjusted continuously on the basis of alterations in HRV and a control group; and (e) involved healthy runners. Five studies involving six interventions and 166 participants fulfilled our inclusion criteria. Four HRV‐based interventions reduced the amount of moderate‐ and/or high‐intensity training significantly. In five interventions, improvements in performance parameters (3000 m, 5000 m, Loadmax, Tlim) were more pronounced following HRV‐based training. Peak oxygen uptake ( ) and submaximal running parameters (eg, LT1, LT2) improved following both HRV‐based and predefined training, with no clear difference in the extent of improvement in . Submaximal running parameters tended to improve more following HRV‐based training. Research findings to date have been limited and inconsistent. Both HRV‐based and predefined training improve running performance and certain submaximal physiological adaptations, with effects of the former training tending to be greater.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,142
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0120,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0050,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,104
Tête enseignante GPT0,353
Écart entre enseignants0,249 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScandinavian Journal of Medicine and Science in SportsMême sujetHeart Rate Variability and Autonomic ControlTravaux en français237 207