Machine learning predicts peak oxygen uptake and peak power output for customizing cardiopulmonary exercise testing using non-exercise features

  1. Wenzel, Charlotte ORCID logo
  2. Liebig, Thomas
  3. Swoboda, Adrian
  4. Smolareck, Rika
  5. Schlagheck, Marit Lea ORCID logo
  6. Walzik, David ORCID logo
  7. Groll, Andreas ORCID logo
  8. Goulding, Richie P.
  9. Zimmer, Philipp ORCID logo

Download
00421_2024_Article_5543.pdf 1,27MB
WeightNameValue
1000 Titel
  • Machine learning predicts peak oxygen uptake and peak power output for customizing cardiopulmonary exercise testing using non-exercise features
1000 Autor/in
  1. Wenzel, Charlotte |
  2. Liebig, Thomas |
  3. Swoboda, Adrian |
  4. Smolareck, Rika |
  5. Schlagheck, Marit Lea |
  6. Walzik, David |
  7. Groll, Andreas |
  8. Goulding, Richie P. |
  9. Zimmer, Philipp |
1000 Verlag
  • Springer Berlin Heidelberg
1000 Erscheinungsjahr 2024
1000 Publikationstyp
  1. Artikel |
1000 Online veröffentlicht
  • 2024-07-03
1000 Erschienen in
1000 Quellenangabe
  • 124(11):3421-3431
1000 Copyrightjahr
  • 2024
1000 Lizenz
1000 Verlagsversion
  • https://doi.org/10.1007/s00421-024-05543-x |
  • https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11519113/ |
1000 Publikationsstatus
1000 Begutachtungsstatus
1000 Sprache der Publikation
1000 Sacherschließung
lokal Female [MeSH]
lokal Peak oxygen uptake
lokal Machine learning
lokal Adult [MeSH]
lokal Exercise Test/methods [MeSH]
lokal Humans [MeSH]
lokal Exercise Test/standards [MeSH]
lokal Cross-Sectional Studies [MeSH]
lokal Cardiorespiratory Fitness/physiology [MeSH]
lokal Peak power output
lokal Prediction
lokal Original Article
lokal Male [MeSH]
lokal Oxygen Consumption/physiology [MeSH]
lokal Young Adult [MeSH]
lokal Machine Learning [MeSH]
lokal Cardiopulmonary exercise testing
1000 Fächerklassifikation (DDC)
1000 Liste der Beteiligten
  1. https://orcid.org/0009-0006-1961-8558|https://frl.publisso.de/adhoc/uri/TGllYmlnLCBUaG9tYXM=|https://frl.publisso.de/adhoc/uri/U3dvYm9kYSwgQWRyaWFu|https://frl.publisso.de/adhoc/uri/U21vbGFyZWNrLCBSaWth|https://orcid.org/0000-0002-8913-6080|https://orcid.org/0000-0002-9577-1435|https://orcid.org/0000-0001-6787-9118|https://frl.publisso.de/adhoc/uri/R291bGRpbmcsIFJpY2hpZSBQLg==|https://orcid.org/0000-0001-9631-4503
1000 Hinweis
  • DeepGreen-ID: 702fc6b5d289474e836b554589635060 ; metadata provieded by: DeepGreen (https://www.oa-deepgreen.de/api/v1/), LIVIVO search scope life sciences (http://z3950.zbmed.de:6210/livivo), Crossref Unified Resource API (https://api.crossref.org/swagger-ui/index.html), to.science.api (https://frl.publisso.de/), ZDB JSON-API (beta) (https://zeitschriftendatenbank.de/api/), lobid - Dateninfrastruktur für Bibliotheken (https://lobid.org/resources/search)
1000 Label
1000 Förderer
  1. Technische Universität Dortmund |
1000 Fördernummer
  1. -
1000 Förderprogramm
  1. -
1000 Dateien
1000 Förderung
  1. 1000 joinedFunding-child
    1000 Förderer Technische Universität Dortmund |
    1000 Förderprogramm -
    1000 Fördernummer -
1000 Objektart article
1000 Beschrieben durch
1000 @id frl:6524540.rdf
1000 Erstellt am 2025-07-07T05:05:14.745+0200
1000 Erstellt von 322
1000 beschreibt frl:6524540
1000 Zuletzt bearbeitet 2025-07-30T12:29:35.080+0200
1000 Objekt bearb. Wed Jul 30 12:29:35 CEST 2025
1000 Vgl. frl:6524540
1000 Oai Id
  1. oai:frl.publisso.de:frl:6524540 |
1000 Sichtbarkeit Metadaten public
1000 Sichtbarkeit Daten public
1000 Gegenstand von

View source