Neuromechanical Differences between Pronated and Supinated Forearm Positions during Upper-Body Wingate Tests
Notice bibliographique
Résumé
Arm-cycling is a versatile exercise modality with applications in both athletic enhancement and rehabilitation, yet the influence of forearm orientation remains understudied. Thus, this study aimed to investigate the impact of forearm position on upper-body arm-cycling Wingate tests. Fourteen adult males (27.3 ± 5.8 years) underwent bilateral assessments of handgrip strength in standing and seated positions, followed by pronated and supinated forward arm-cycling Wingate tests. Electromyography (EMG) was recorded from five upper-extremity muscles, including anterior deltoid, triceps brachii lateral head, biceps brachii, latissimus dorsi, and brachioradialis. Simultaneously, bilateral normal and propulsion forces were measured at the pedal-crank interface. Rate of perceived exertion (RPE), power output, and fatigue index were recorded post-test. The results showed that a pronated forearm position provided significantly (p < 0.05) higher normal and propulsion forces and triceps brachii muscle activation patterns during arm-cycling. No significant difference in RPE was observed between forearm positions (p = 0.17). A positive correlation was found between seated handgrip strength and peak power output during the Wingate test while pronated (dominant: p = 0.01, r = 0.55; non-dominant: p = 0.03, r = 0.49) and supinated (dominant: p = 0.03, r = 0.51; don-dominant: p = 0.04, r = 0.47). Fatigue changed the force and EMG profile during the Wingate test. In conclusion, this study enhances our understanding of forearm position's impact on upper-body Wingate tests. These findings have implications for optimizing training and performance strategies in individuals using arm-cycling for athletic enhancement and rehabilitation.
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 | 0,001 |
| 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) | 0,000 | 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 ».