Zone 2 Intensity: A Critical Comparison of Individual Variability in Different Submaximal Exercise Intensity Boundaries
Notice bibliographique
Résumé
Introduction: Endurance athletes often utilize low‐intensity training, commonly defined as Zone 2 (Z2) within a five‐zone intensity model, for its potential to enhance aerobic adaptations and metabolic efficiency. This study aimed at evaluating intra‐ and interindividual variability of commonly used Z2 intensity markers to assess their precision in reflecting physiological responses during training. Methods: Fifty cyclists (30 males and 20 females) performed both an incremental ramp and a step test in a laboratory setting, during which the power output, heart rate, blood lactate, ventilation, and substrate utilization were measured. Results: Analysis revealed substantial variability in Z2 markers, with the coefficients of variation (CV) ranging from 6% to 29% across different parameters. Ventilatory Threshold 1 (VT 1 ) and maximal fat oxidation (Fat Max ) showed strong alignment, whereas fixed percentages of HR max and blood lactate thresholds exhibited wide individual differences. Discussion: Standardized markers for Z2, such as fixed percentages of HR max , offer practical simplicity but may inaccurately reflect metabolic responses, potentially affecting training outcomes. Given the considerable individual variability, particularly in markers with high CVs, personalized Z2 prescriptions based on physiological measurements such as VT 1 and Fat Max may provide a more accurate approach for aligning training intensities with metabolic demands. This variability highlights the need for individualized low‐intensity training prescriptions to optimize endurance adaptations in cyclists, accommodating differences in physiological profiles and improving training specificity.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».