Objective Training Load Monitoring Using Smart Swim Goggles
Notice bibliographique
Résumé
Modern technology and analysis methods enable training loads (TLs) to be estimated from objective measurements. Various metrics have been developed to quantify TLs, including Banister’s training impulse (bTRIMP), session rating of perceived exertion (sRPE) TRIMP, and SwimScore. These metrics are expressed as a product of duration and an intensity component. The intensity component is the product of the average measure of training intensity for a session and a non-linear intensity multiplying factor (IMF). The IMF can be expressed as an exponential equation, Aebx, or a power law, Axb , with A and b as adjustable parameters. Theoretical work demonstrates that the relationships between TLs are determined primarily by the IMF. An unanswered question is the extent to which optimizing the IMF for a given TL metric can improve its association with observed changes in fitness. PURPOSE: To determine how the intensity components affect TL estimates and associations with changes in fitness. METHODS: Experienced recreational swimmers completed an individualized 12-week training program. Swimming fitness was measured through critical swim speed (CSS). We collected measures of sRPE via self-report, and measures of heart rate and swimming velocity from smart swim goggles (Form Athletica Inc., Vancouver). TL metrics were calculated from these data sources. We then iteratively adjusted the parameters of the IMFs for SwimScore and bTRIMP and evaluated the resulting association between the TLs and changes in CSS. RESULTS: Linear models fit with the change in fitness as the dependent variable and mean weekly TL as the independent variable revealed less than 50% of the variance being accounted for by the model. R2 values were 0.46, 0.09, and 0.00031 for SwimScore, bTRIMP, and sRPE-TRIMP, respectively. Adjusting the parameters for SwimScore and bTRIMP did not result in improved model fits. CONCLUSION: Manual tuning of IMF parameters did not improve the association of training loads and changes in fitness. Future research should employ formal optimization methods to find IMF parameter values that provide best-fit relationships between TLs and changes in CSS. MITACS, NSERC, Form Athletica Inc.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».