The Power Of Exercise: The Effect Of Age And Activity Level On Muscular Power
Notice bibliographique
Résumé
Muscle, strength, and power decline as we age, and power is critical for functional independence. This dissertation tested additional factors such as the amount and type of PA, muscular fatigue, movement mechanics, and muscle fiber type, which are known to affect power, in older adults, including masters athletes. The study involved PA questionnaires, biomechanical assessment of functional tasks including countermovement jumps (CMJ) with lower-body motion capture and a custom apparatus with embedded force plates, and MRI Dixon and DTI of the lower limb musculature and lumbar spine region. Age, sex and PA level predicted lower-body power during CMJ, with activity level demonstrating a protective effect (r=0.540) similar in magnitude to the effect of age (r=-0.654). Athletics discipline also predicted lower-body power during CMJ (r=0.389) with short distance athletes having the highest predicted power but also the most negative slope. Greater trunk flexion was associated with greater lower-body power, but older adults did not tend to use this strategy. MRI diffusion parameters weakly predicted ankle power and also differed in short distance athletes. Activity level and athletic discipline showed positive, protective effects on lower-body and joint power during the CMJ with a strength of effect comparable to that of age. Trunk flexion angle was associated with greater lower-body power output in the CMJ and was a strategy adopted only by younger adults potentially confounding the measurement of power in older adults. Overall, high levels of PA, and participation in high power track and field events is protective of muscular power and likely functional independence in older adults.
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 | 0,001 | 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 ».