Machine learning prediction of pulmonary oxygen uptake from muscle oxygen in cycling

强度(物理) 最大VO2 心率 自行车 数学 运动生理学 氧气 运动强度 机器学习 化学 物理疗法 医学 内科学 物理 计算机科学 量子力学 血压 历史 考古 有机化学
作者
Jia Li,Weicai Hu,Yan Ma,Huaping Xiang
出处
期刊:Journal of Sports Sciences [Informa]
卷期号:: 1-9
标识
DOI:10.1080/02640414.2024.2388996
摘要

The purpose of this study was to test whether a machine learning model can accurately predict VO2 across different exercise intensities by combining muscle oxygen (MO2) with heart rate (HR). Twenty young highly trained athletes performed the following tests: a ramp incremental exercise, three submaximal constant intensity exercises, and three severe intensity exhaustive exercises. A Machine Learning model was trained to predict VO2, with model inputs including heart rate, MO2 in the left (LM) and right legs (RM). All models demonstrated equivalent results, with the accuracy of predicting VO2 at different exercise intensities varying among different models. The LM+RM+HR model performed the best across all intensities, with low bias in predicted VO2 for all intensity exercises (0.08 ml/kg/min, 95% limits of agreement: −5.64 to 5.81), and a very strong correlation (r = 0.94, p < 0.001) with measured VO2. Furthermore, the accuracy of predicting VO2 using LM+HR or RM+HR was higher than using LM+RM, and higher than the accuracy of predicting VO2 using LM, RM, or HR alone. This study demonstrates the potential of a machine learning model combining MO2 and HR to predict VO2 with minimal bias, achieving accurate predictions of VO2 for different intensity levels of exercise.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
海豚有海完成签到 ,获得积分10
1秒前
美好乐松应助jyyg采纳,获得10
1秒前
星辰大海应助zhaojiantgu采纳,获得10
1秒前
2秒前
2秒前
大个应助pass采纳,获得30
2秒前
2秒前
Jesica发布了新的文献求助10
2秒前
2秒前
啊菠萝发布了新的文献求助10
3秒前
4秒前
4秒前
占骁完成签到,获得积分10
5秒前
蚂蚁Y嘿应助独特乘云采纳,获得10
6秒前
6秒前
单薄谷冬发布了新的文献求助10
6秒前
李连杰关注了科研通微信公众号
7秒前
7秒前
小蘑菇应助LRRAM_809采纳,获得10
8秒前
8秒前
香蕉觅云应助啊菠萝采纳,获得10
9秒前
9秒前
9秒前
麟钰完成签到,获得积分10
9秒前
10秒前
eplga发布了新的文献求助10
10秒前
未来的院士完成签到,获得积分10
10秒前
狐狸发布了新的文献求助10
11秒前
11秒前
11秒前
13秒前
13秒前
wykuner发布了新的文献求助10
13秒前
13秒前
香蕉茹妖发布了新的文献求助10
14秒前
风之旅人完成签到,获得积分10
14秒前
可乐发布了新的文献求助10
14秒前
夏目友人张完成签到,获得积分10
14秒前
16秒前
高分求助中
Production Logging: Theoretical and Interpretive Elements 2500
Healthcare Finance: Modern Financial Analysis for Accelerating Biomedical Innovation 2000
Applications of Emerging Nanomaterials and Nanotechnology 1111
Agaricales of New Zealand 1: Pluteaceae - Entolomataceae 1040
Les Mantodea de Guyane Insecta, Polyneoptera 1000
지식생태학: 생태학, 죽은 지식을 깨우다 700
Neuromuscular and Electrodiagnostic Medicine Board Review 700
热门求助领域 (近24小时)
化学 医学 材料科学 生物 工程类 有机化学 生物化学 纳米技术 内科学 物理 化学工程 计算机科学 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 电极
热门帖子
关注 科研通微信公众号,转发送积分 3468452
求助须知:如何正确求助?哪些是违规求助? 3061420
关于积分的说明 9075974
捐赠科研通 2751746
什么是DOI,文献DOI怎么找? 1510158
科研通“疑难数据库(出版商)”最低求助积分说明 697650
邀请新用户注册赠送积分活动 697610