Recurrence Quantification Analysis Based Methodology in Automatic Aerobic Threshold Detection: Applicability and Accuracy across Age Groups, Exercise Protocols and Health Conditions
Notice bibliographique
Résumé
A new method based on the Recurrence Quantification Analysis (RQA) of the heart rate (HR) offers an objective, efficient alternative to traditional methods for Aerobic Threshold (AerT) identification that have practical limitations due to the complexity of equipment and interpretation. This study aims to validate the RQA-based method’s applicability across varied demographics, exercise protocols, and health status. Data from 123 cardiopulmonary exercise tests were analyzed, and participants were categorized into four groups: athletes, young athletes, obese individuals, and cardiac patients. Each participant’s AerT was assessed using both traditional ventilatory equivalent methods and the automatic RQA-based method. Ordinary Least Products (OLP) regression analysis revealed strong correlations (r > 0.77) between the RQA-based and traditional methods in both oxygen consumption (VO2) and HR at the AerT. Mean percentage differences in HR were below 2.5%, and the Technical Error for HR at AerT was under 8%. The study validates the RQA-based method, directly applied to HR time series, as a reliable tool for the automatic detection of the AerT, demonstrating its accuracy across diverse age groups and fitness levels. These findings suggest a versatile, cost-effective, non-invasive, and objective tool for personalized exercise prescription and health risk stratification, thereby fulfilling the study’s goal of broadening the method’s applicability.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».