Summary: | Submitted by Sara Ribeiro (sara.ribeiro@ucb.br) on 2018-08-08T17:35:32Z
No. of bitstreams: 1
SebastianDelRossoDissertacao2018.pdf: 1818866 bytes, checksum: 3274a8646557f8e415e970e9bbe7a015 (MD5) === Approved for entry into archive by Sara Ribeiro (sara.ribeiro@ucb.br) on 2018-08-08T17:35:47Z (GMT) No. of bitstreams: 1
SebastianDelRossoDissertacao2018.pdf: 1818866 bytes, checksum: 3274a8646557f8e415e970e9bbe7a015 (MD5) === Made available in DSpace on 2018-08-08T17:35:47Z (GMT). No. of bitstreams: 1
SebastianDelRossoDissertacao2018.pdf: 1818866 bytes, checksum: 3274a8646557f8e415e970e9bbe7a015 (MD5)
Previous issue date: 2018-02-28 === The main goal of the present study was to identify the main determinants influencing and thus explaining pacing and performance during self-paced 10 km running time trial and develop prediction equations including metabolic/respiratory and neuromuscular variables. Twenty-seven well-trained runners (age = 26,4 ± 6,5 years, training experience = 7,4 ± 5,9 years, training volume = 89,1 ± 39,1 km·week-1, VO2max = 62,3 ± 4,5 mL·kg-1·min-1) completed three testing sessions: During the first session, body composition and mechanical variables (concentric peak velocity, PV; time to peak velocity, TPV; peak force, PF; and peak power, PP) in the half-squat (AG) and loaded squat jump (SSC) were measured. The second testing session was dedicated to assessing metabolic variables [VO2max, ventilatory thresholds (VT1 and VT2), cost of running (CR) and maximal speed (SMAX)] and vertical jump (CMJ) potentiation; while during the third session a 10 km self-paced time trial was carried out. Also, before and after (0, 3, 6, and 9 min) the 10 km, athletes completed 2 CMJ for measuring mechanical variables [eccentric displacement (DE), mean eccentric and concentric velocity (VME, VMC), eccentric and concentric peak velocity (PVE, PVC)]. Pacing was defined as the time (T10km) or speed (S10km) every 1000 m, and analysis of those factors influencing the 10 km performance was carried by means of hierarchic multiple regression, whit the inclusion of all available variables. In addition, regression analyses were performed to develop prediction equation for T10km. Cluster analyses were carried out to evaluate the effects of performance levels [high performance group, GAD; low performance group (GBD)] and jumping potentiation (potentiation group, GP; non-potentiation group, GNP). For the whole sample, the final model including SMAX, CR, o a AGVP, Δ3-Pre CMJPVE (m·s-1), HRmax (bpm) and SSCPF (N) was statistically significant; r2 = 0,91, F(6-26) = 35,64, P < 0,001, EES = 0,76, r2ADJUSTED = 0,89; while the prediction model included the following variables: SMAX, CR and AGVP [r2 = 0,75; F(3-26) = 22,52; P < 0,001; EES = 1,23]. For the performance groups, there were significant main simple effects for time [F(2-52) = 12,20, P<0,001), η2 = 0,32] and group [F(1-25) = 49,91; P<0,001, η2 = 0,66] and also differences in the explaining variables for T10km: GAD [SMAX; SSCPF, HRMEAN, CV10km e Post-0min CMJPVE, F(5-9) = 266,06; P <0,001; SSE = 0,09 min; r2ADJUSTED = 0,99]; GBD [VT2-%VO2max, Δ6-Pre CMJEPV, CR; F(4-18) = 33,16; P <0,001, EES = 0,045 min; r2ADJUSTED = 0,88]. Furthermore, different prediction equations were found for each group: GAD – [T10km (min) = 68,65 – (1,084 × SMAX) – (0,008 × SSCPF) + (0,083 × AGCARGA); r2 = 0,98]; GBD - T10km (min) = 44,75 – (1,05× SMAX) + (0,17×VT2-%VO2max) + (1,89 × CMJVME) – (0,061 × Age); r2 = 0,89]. For jump potentiation groups there were significant differences only in the last 400 m and RPE (GNP = 8,36 ± 1,6 vs. GP = 6,8 ± 1,7; P = 0,03). Also, jump potentiation correlated with the final 400 m time in the whole sample (r = -0.42; P = 0,031) and with RPE for the GAD group (r = -0,75; P = 0,032). In conclusion, the results of the present study suggest that mechanical factors are significant for endurance runners given that explain part of the variance in the T10km while allowed for performance prediction. Moreover, performance level appears to be related to neuromuscular differences influencing pacing whereas jump potentiation likely affects effort perception. === O objetivo do presente estudo foi analisar os diversos fatores que podem influenciar e por tanto explicar o desempenho em uma prova de corrida de 10 km assim como também em subsegmentos dos 10 km, e predizer desempenho a partir de variáveis metabólicas/respiratórias e neuromusculares. Para tal fim, 27 corredores bem treinados (idade = 26,4 ± 6,5 anos, experiência de treinamento = 7,4 ± 5,9 anos, volume de treinamento = 89,1 ± 39,1 km·semana-1, VO2max = 62,3 ± 4,5 mL·kg-1·min-1) completaram três sessões de avaliação: A primeira sessão foi dedicada à determinação das variáveis mecânicas (pico de velocidade concêntrica, PV; tempo até o pico de velocidade, TPV; pico de força, PF e pico de potência, PP) nos exercícios de médio agachamento (AG) e salto com sobrecarga (SSC) e das variáveis associadas à composição corporal; durante a segunda sessão se avaliaram variáveis metabólicas [VO2max, limiares ventilatórios (VT1, primer limiar ventilatório, VT2, segundo limiar ventilatório), custo energético da corrida (CR) e velocidade máxima (SMAX)] conjuntamente com a potencialização no salto vertical (CMJ); e durante a terceira sessão se registrou o desempenho em uma prova simulada de 10 km (T10km) com monitoramento continuo da velocidade (GPS) e da frequência cardíaca (FC). Antes e depois (0, 3, 6 e 9 min) dos 10 km os atletas completaram 2 saltos verticais (CMJ) para à avaliação das variáveis mecânicas associadas ao salto [deslocamento excêntrico (DE), velocidade média excêntrica e concêntrica (VME, VMC), pico de velocidade excêntrica e concêntrica (PVE, PVC)]. O ritmo de corrida foi definido como o tempo ou velocidade a cada 1000 m, e para as análises dos fatores implicados na variância do desempenho em 10 km foi realizada uma análise de regressão múltipla hierárquica utilizando todas as variáveis disponíveis. Além disso, análises de regressão foram completadas para determinar equações de predição do T10km com variáveis independentes das registradas durante a prova. Entanto que analises por conglomerados foram utilizados para analisar os efeitos do nível de desempenho (grupo de alto desempenho, GAD; grupo de baixo desempenho, GBD) e da potencialização do salto vertical (grupo que exibiu potencialização, GP; grupo que não potencializou, GNP). Para o total de 27 atletas o modelo final que incluiu a SMAX (km·h-1), a CR (mL·kg-1·m-1), o a AGVP (m·s-1), o Δ3-Pre CMJPVE (m·s-1), a FCmax (bpm) e a SSCPF (N) foi estatisticamente significativo; r2 = 0,91, F(6-26) = 35,64, P < 0,001, EES = 0,76, r2ajustado = 0,89. Por outra parte, o modelo para a predição do T10km, com variáveis independentes da prova de 10 km, incluiu a SMAX, o CR e AGVP [r2 = 0,75; F(3-26) = 22,52; P < 0,001; EES = 1,23]. As analises por grupo de desempenho indicaram efeitos principais do tempo (Tempos parciais, Laps) [F(2-52) = 12,20, P<0,001), η2 = 0,32] e do grupo [F(1-25) = 49,91; P<0,001, η2 = 0,66] assim como diferencias nas variáveis que explicaram a variância no T10km: para GAD [SMAX; SSCPF, FCMÉDIA, CV10km e Pós-0min CMJPVE, F(5-9) = 266,06; P <0,001; SSE = 0,09 min; r2AJUSTADO = 0,99]; GBD [VT2-%VO2max, o Δ6-Pre CMJEPV, CR; F(4-18) = 33,16; P <0,001, EES = 0,045 min; r2AJUSTADO = 0,88]. Adicionalmente, acharam-se equações diferentes para a predição do T10km em cada um dos grupos: GAD – [T10km (min) = 68,65 – (1,084 × SMAX) – (0,008 × SSCPF) + (0,083 × AGCARGA); r2 = 0,98]; GBD - T10km (min) = 44,75 – (1,05× SMAX) + (0,17×VT2-%VO2max) + (1,89 × CMJVME) – (0,061 × Idade); r2 = 0,89]. Enquanto aos grupos de potencialização, se acharam diferenças significativas entre os grupos na velocidade atingida só no segmento de 400 m finais e na PSE final (GNP = 8,36 ± 1,6 vs. GP = 6,8 ± 1,7; P = 0,03). Ademais, na amostra completa a potencialização correlacionou com o tempo nos 400 m finais (r = -0.42; P = 0,031) e no grupo GAD, correlacionou com a PSE (r = -0,75; P = 0,032). Em conclusão, os resultados deste estudo sugerem que as variáveis mecânicas são importantes para corredores de 10 km já que permitem explicar a variância e predizer o desempenho. Além disso, o nível de desempenho parece estar associado com diferencias neuromusculares que influenciam o ritmo de corrida, entanto que a potencialização do salto vertical parece afeitar sobre tudo a percepção do esforço.
|