Monitoring and adapting endurance training on the basis of heart rate variability monitored by wearable technologies: A systematic review with meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: To systematically perform a meta-analysis of the scientific literature to determine whether the outcomes of endurance training based on heart rate variability (HRV) are more favorable than those of predefined training. DESIGN: Systematic review and meta-analysis. METHODS: PubMed and Web of Science were searched systematically in March of 2020 using keywords related to endurance, the ANS, and training. To compare the outcomes of HRV-guided and predefined training, Hedges' g effect size and associated 95% confidence intervals were calculated. RESULTS: A total of 8 studies (198 participants) were identified comprising 9 interventions involving a variety of approaches. Compared to predefined training, most HRV-guided interventions included fewer moderate- and/or high-intensity training sessions. Fixed effects meta-analysis revealed a significant medium-sized positive effect of HRV-guided training on submaximal physiological parameters (g = 0.296, 95% CI 0.031 to 0.562, p = 0.028), but its effects on performance (g = 0.079, 95% CI -0.050 to 0.393, p = 0.597) and V̇O2peak (g = 0.171, 95% CI -0.213 to 0.371, p = 0.130) were small and not statistically significant. Moreover, with regards to performance, HRV-guided training was associated with fewer non-responders and more positive responders. CONCLUSIONS: . There were fewer non-responders regarding performance with HRV-based training.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,021 | 0,039 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».