Analysis of Color-Specific Visual Processing Speed Differences in Division 1 College Football Players
Notice bibliographique
Résumé
IntroductionThe University of Cincinnati has been doing NeuroVisual Training (NVT) as part of an injury prevention and performance enhancement program since 2010. We recently noticed that some athletes have substantial differences in visual reaction time based on color, specifically red versus green. We set out to assess if they may have had any color processing deficiencies.MethodsWe identified 4 out of 107 screened athletes with deficiencies in their ability to react to green compared to red. After identifying these color deficiencies, we developed a protocol to assess and manage the said deficiencies. The protocol included assessing for color blindness with the Ishihara plates, color Visual Evoked Potentials (cVEP), and color-based visual reaction times.ResultsNone of the individuals had color blindness based on the Ishihara plates. There were significant differences in visual reaction times for red and green with red being significantly slower. cVEP mean red P100 latency was 115.5 ± 3.2 ms versus 104.4 ± 1.3 ms for green, and mean voltage was 7.30 ± 1.4 µV versus 9.20 ± 1.4 µV for green.
 DiscussionNVT is becoming a mainstream means to improve performance and safety for athletes in competitive sports. It was interesting to note that high caliber athletes in a division 1 college football program were showing relatively slow visual reaction times. We were able to train them to a higher level of NVT proficiency once we included color-based tasks that best suited their ability to see and process quickly. People performing NVT on athletes may wish to be aware of and consider checking for color processing deficiencies such that one can train the athletes to the highest level possible.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».