Impact of airflow on body cooling in exercise: an exploratory study
Notice bibliographique
Résumé
Objective: To analyze the body heat dissipation by thermography during indoor running treadmill with different airflow conditions. Materials and method: Nine male participants (23.0±2.5 years old) underwent three 45-minute moderate-intensity running sessions (60-70% reserve heart rate) on a treadmill. At each session, a different experimental condition was applied in a crossover design: without airflow (NF), and with low (LF) and high airflow (HF) generated by a fun. Thermograms were obtained with a thermal camera before exercise, during (every 10 minutes), and after exercise. Skin temperature (Tsk) was measured on regions of interest of the upper body: pectoral, brachial biceps, and upper back. A repeated measures ANOVA was used to compare Tsk over time and between conditions, considering p<0.05 as statistically significant. Results: In pectoral and brachial biceps, LF and HF conditions provided greater reductions in Tsk at all moments when compared to the NF (p<0.05). There was a higher reduction in Tsk to the HF vs LF in biceps at 30, 40, and 45 min during exercise (p<0.05). In the upper back, Tsk remained below baseline at all moments during exercise only in the HF condition (p<0.05). In NF and LF conditions, Tsk returned to baseline at 30 min during exercise (p>0.05). Conclusion: The frontal wind flow enhances body heat dissipation during moderate-intensity running in the pectoral, brachial biceps, and upper back, with a direct relationship of flow speed and Tsk reduction during exercise.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».