Heart rate during effort test has been previously successfully adjusted with a simple first order differential equation with constant coefficients driven by the body power expenditure. Although producing proper estimation and yielding pertinent indices to analyze such measurement, this approach suffers from its inability to model the saturation of the heart rate increase at high power expenditure and the change of heart rate equilibrium after effort. The objective of the present study is to improve this model by considering that the amplitude of the heart rate response to effort (gain) depends on the power expenditure value. Therefore, heart rate and oxygen consumption of 30 amateur athletes were measured while they performed a maximum graded treadmill effort test. The proposed model was able to predict 99% of the measured heart rate variance during exercise. The gains estimated at the different power expenditures were constant but noisy before the first ventilatory threshold, stable and decreasing slightly with power increase between the two ventilatory thresholds, before decreasing in a more pronounced manner after the second ventilatory threshold. The slope of the decrease of heart rate gain with power expenditure was correlated with the deflection angle of the heart rate performance curve and with the maximum oxygen consumption. These results reflect the changes of metabolic energy systems at play during the effort test and are consistent with the analysis of the heart rate performance curve given by the Conconi method, thus validating our new approach to analyze heart rate during effort test.

Performance is usually assessed by simple indices stemming from cardiac and respiratory data measured during graded exercise test. The goal of this study is to test the interest of using a dynamical analysis of these data. Therefore, two groups of 32 and 14 athletes from two different cohorts performed two different graded exercise testing before and after a period of training or deconditioning. Heart rate (HR) and oxygen consumption (VO2) were measured. The new dynamical indices were the value without effort, the characteristic time and the amplitude (gain) of the HR and VO2 response to the effort. The gain of HR was moderately to strongly associated with other performance indices, while the gain for VO2 increased with training and decreased with deconditioning with an effect size slightly higher than VO2 max. Dynamical analysis performed on the first 2/3 of the effort tests showed similar patterns than the analysis of the entire effort tests, which could be useful to assess individuals who cannot perform full effort tests. In conclusion, the dynamical analysis of HR and VO2 obtained during effort test, especially through the estimation of the gain, provides a good characterization of physical performance, robust to less stringent effort test conditions.

Abstract Background and Objective Questionnaires are essential tools in many scientific fields, including health and medicine. However, the analysis of paper-and-pencil questionnaires is time consuming, source of errors and expensive, limiting its use in large cohort studies. Computer-based questionnaires might be a valuable alternative but they may introduce bias, especially for sensitive questions, and they require programming skills. The aim of this study is to develop a reliable and adaptable open-source technique (i.e. LightQuest) to automatically analyse various types of scanned paper-and-pencil questionnaires with closed questions, including those with inverted scale. Methods To evaluate the usefulness of LightQuest, the time needed for 7 experimenters for manually code 10 sets of 4 frequently used questionnaires and the number of errors (i.e. reliability) were compared with the time and errors their made using LightQuest. Results LightQuest was twice as fast as the manual analysis, even though the time to create the reference model was taken into account (933s vs. 1935s, t(2)=8.81, p<0.001). Without model creation, the reduced analysis time was more pronounced, with an average of 2.77s.question -1 for the manual technique versus 0.55s.question -1 for LightQuest (t(2)=22.5, p<0.001). Moreover, during correction of the 5180 questions performed by the 7 experimenters, LightQuest made a total of 2 errors versus 46 with the manual technique (q(2)=4.53, p<0.05). Conclusion LightQuest demonstrated clear superiority both in terms of time and reliability. The script of this first open-source technique, which does not require programming skills, is downloadable in supplemental data and may become an asset for all studies using questionnaires.