Humans exercising in the heat: A review on sweat models and a comparison to recent experimental datasets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sweating is a vital thermoregulatory mechanism in humans for maintaining thermal balance during exercise and exposure to hot environments. The development of models that predict sweat rate based on body temperature has been ongoing for over half a century. Here, we compared predicted water loss rates (WLR) from these models to actual observations collected during 780 participant-exposures in three independent laboratory-based experiments. In these experiments, male participants aged 19–50 years cycled or walked at various intensities (metabolic heat productions between 200 and 970 W), in air temperatures ranging from −40°C to 50°C, relative humidities (14% to 95%), and air velocities (<0.2 to 10 m/s), while wearing different clothing ensembles (thermal insulation 0.20 to 3.75 clo). The models’ performances were evaluated by the coefficient of determination (R2) and Root Mean Square Error (RMSE). Performance varied greatly with a maximum R2 value of 0.5 and RMSE values ranging from 10.4 to 4.9 g/min. Models with a lower sweat onset core temperature setpoint performed better and most models generally underestimated the water loss at higher WLR. Optimization of the core and skin temperature setpoints suggests preferred core temperature setpoints within a narrow range (36.2°C to 36.6°C). Even with optimized inputs, R2 values were around 0.5, meaning only 50% of the variance in observed WLR was explained by the models. Better model consideration of relations between body temperature and sweat rate, and the incorporation of non-thermal exercise-induced sweat promotion, may reduce model underpredictions at higher exercise intensities.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 découle