Understanding the sleep of ultra-marathon swimmers: Guidance for coaches and swimmers
Notice bibliographique
Résumé
Open water swimming ultra-marathon events ≥10 km have become increasingly popular amongst master athletes. However, very little is known about the timing of training sessions and the impact on sleep. This study aimed to examine sleep behaviours, sleep problems and disorders and the relationship with training timings. This study used a longitudinal observational design for 42 nights with 24 masters' swimmers (n = 13 females), aged 39 ± 11 years, body mass index of 26 ± 3 kg/m 2 during a training squad for an ocean ultra-swim (19.7 km) in Western Australia. Objective measures of sleep were obtained from a wrist-activity monitor, the Readiband™ (Fatigue Science Inc., Canada). Swimmers completed a survey instrument related to sleep problems, disorders, chronotype, anthropometric and demographic information. Generalised linear mixed models were fitted to examine relationships between predictor variables and sleep responses. Body mass index was associated with a decline in Total Sleep Time (TST), each one-unit increase in BMI was associated with 5 min less TST (p = 0.04). Swimmers with a “high risk” of sleep apnea had 21 min more wake time (p = 0.04) and 5% lower Sleep Efficiency (p = 0.04). Sleep Offset on the morning of a morning training session was earlier by 48 min (p < 0.001) resulting in less TST by 39 min (p < 0.001). This study provides evidence that coaches need to consider sleep behaviours and problems before designing training schedules. Swimmers need to plan and allocate an adequate sleep opportunity and those who have a suspected sleep disorder or problem should seek the support of a sleep physician.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».