Neuromuscular Adjustments Following Sprint Training with Ischemic Preconditioning in Endurance Athletes: Preliminary Data
Notice bibliographique
Résumé
This preliminary study examined the effect of chronic ischemic preconditioning (IPC) on neuromuscular responses to high-intensity exercise. In a parallel-group design, twelve endurance-trained males (VO2max 60.0 ± 9.1 mL·kg−1·min−1) performed a 30-s Wingate test before, during, and after 4 weeks of sprint-interval training. Training consisted of bi-weekly sessions of 4 to 7 supra-maximal all-out 30-s cycling bouts with 4.5 min of recovery, preceded by either IPC (3 × 5-min of compression at 220 mmHg/5-min reperfusion, IPC, n = 6) or placebo compressions (20 mmHg, PLA, n = 6). Mechanical indices and the root mean square and mean power frequency of the electromyographic signal from three lower-limb muscles were continuously measured during the Wingate tests. Data were averaged over six 5-s intervals and analyzed with Cohen’s effect sizes. Changes in peak power output were not different between groups. However, from mid- to post-training, IPC improved power output more than PLA in the 20 to 25-s interval (7.6 ± 10.0%, ES 0.51) and the 25 to 30-s interval (8.8 ± 11.2%, ES 0.58), as well as the fatigue index (10.0 ± 2.3%, ES 0.46). Concomitantly to this performance difference, IPC attenuated the decline in frequency spectrum throughout the Wingate (mean difference: 14.8%, ES range: 0.88–1.80). There was no difference in root mean square amplitude between groups. These preliminary results suggest that using IPC before sprint training may enhance performance during a 30-s Wingate test, and such gains occurred in the last 2 weeks of the intervention. This improvement may be due, in part, to neuromuscular adjustments induced by the chronic use of IPC.
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) | 0,000 | 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 ».