Exercícios com cargas baixas

Na seção anterior, argumentou-se que como o mínimo de saturação muscular precede a parada da atividade física e o tecido cortical não é muito requisitado, os dados indicam que o tecido muscular é o que limita a continuação da tarefa. Entretanto, a Tabela 6.1 indica que existe um limite da intensidade do exercício em que o músculo aparenta não impor nenhuma barreira para a tarefa. Note que, para cargas baixas, o mínimo de saturação muscular nada significa do ponto de vista da interrupção da atividade: para atividades de força de baixa intensidade, os voluntários conseguem se manter no mínimo de saturação por longos intervalos de tempo até o término da série de repetições.

Paralelamente à aparente indiferença da fisiologia quanto ao mínimo de saturação muscular para cargas baixas, os dados indicam que nesse limite da atividade de força o tecido cortical exerce um papel mais relevante que para cargas altas. Note, pela Tabela 6.1, que para baixas intensidades, não só a área de ativação cortical é maior como a intensidade média de ativação por região também cresce em comparação com a situação de cargas altas. Então, nesse limite, o tecido cortical é mais requisitado. Nesse contexto, o número de canais energeticamente carentes também é grande em comparação com cargas altas, especialmente na região pré-frontal do córtex. Assim sendo, o fato do tecido cortical ser mais requisitado em todas as variáveis analisadas em conjunto com a permanência dos voluntários no mínimo de saturação pode indicar que o gatilho para cargas baixas está associado com a fisiologia cerebral.

Estudos recentes com bicicletas concluem que, além de haver uma desoxigenação no córtex pré-frontal, o poder de decisão dos voluntários e o foco atencional são depreciados de forma mais acentuada para exercícios de alta intensidade [8, 29]. A queda da oxigenação no córtex pré-frontal aqui encontrada nos canais energeticamente carentes podem levar a depreciação das funções desta região (dentre elas, a tomada de decisão e o foco atencional). Dentre os dois limites de intensidade do exercício aqui analisados, o com cargas baixas é o

que mais se assemelha de um exercício aeróbio dado seu tempo de duração. Os resultados encontrados para este limite da atividade física são condizentes com os encontrados na literatura até o momento, validando algumas conclusões já apresentadas anteriormente mesmo que sem remoção da contribuição extracortical do sinal.

6.2

Perspectivas futuras

A fim de que se confirmem as conclusões apresentadas e que se esclareça mais a relação entre a fisiologia geral dos tecidos principais envolvidos na atividade física e a intensidade do exercício, sugere-se como continuação da pesquisa em questão a realização de medidas com o mesmo protocolo, dada sua flexibilidade, se valendo de outras porcentagens da carga máxima de uma repetição além de 80% e 30%, a fim de encontrar algum padrão ou transição entre a intensidade e a predominância da carência cortical sobre o tecido muscular. Paralelamente a isso, coletas em exercícios de força mais intensos e complexos também podem se tornar interessantes, como o supino ou o agachamento. Para ambos casos, ressalta-se a dificuldade trazida pelos artefatos de movimento nos dados coletados e a necessidade do desenvolvimento de métodos experimentais, computacionais e equipa- mentos que mantenham a qualidade dos dados.

Além das melhorias que podem ser feitas quanto à atividade física em questão, melho- rias na coleta de informação cortical e fisiológica podem ser feitas. Primeiramente, seria interessante, também, tomar medidas de valores absolutos do córtex, nem que somente em regiões específicas (como a pré-frontal). Tais dados se tornam interessantes já que o limiar para término da atividade física pode estar relacionado não com variações dos parâ- metros analisados, mas com valores absolutos dos mesmos. Além disso, outros parâmetros fisiológicos podem ser coletados a fim de ajudar na interpretação das concentrações de hemoglobina, tais como batimento cardíaco e pressão sanguínea.

Existem, ainda, dados coletados que não variam com a intensidade do exercício em questão, como mostrado no capítulo 4 para os valores de saturação, o que pode indicar que estas variáveis dependem somente da fisiologia individual de cada voluntário. Tais dados abrem margem para que se tente modelar tais parâmetros, bem como as curvas de saturação muscular, a partir de características fisiológicas dos voluntários como idade, massa total, massa magra etc. Uma outra possibilidade, após a coleta de mais voluntários, é separar os dados quanto à gênero, averiguando se existe alguma possível influência desta variável nos parâmetros analisados.

Por fim, esta pesquisa indica que para o limite de baixas intensidades de exercícios de força, o PFC aparenta ter papel limitante para a atividade física. A literatura, anterior- mente, já sugeria esta associação para exercícios aeróbios. Uma inferência possível desta associação é que atletas, em comparação com pessoas destreinadas, conseguem suprir a demanda energética desta região cortical por mais tempo durante a realização de uma atividade de longa duração. Sendo assim, o treino físico pode ter melhorado o desem- penho cognitivo dos atletas no sentido que foi discutido neste trabalho. Nesse contexto, uma possível sequência para pesquisa é investigar se existe treino puramente cognitivo que melhora o desempenho físico para atividades aeróbias ou de baixa intensidade de força.

Referências Bibliográficas

[1] Steimers A., M. Vafiadou, G. Koukourakis, D. Geraskin, P. Neary, and M. Kohl- Bareis. Muscle Oxygenation During Running Assessed by Broad Band NIRS. Oxygen Transport to Tissue XXXVII, 812:127–133, 2014.

[2] Emad Al-yahya, Heidi Johansen-berg, Udo Kischka, and Mojtaba Zarei. Prefron- tal Cortex Activation While Walking Under Dual-Task Conditions in Stroke : A Multimodal Imaging Study. 30(6):591–599, 2017.

[3] Markus Amann and Jerome A. Dempsey. Locomotor muscle fatigue modifies central motor drive in healthy humans and imposes a limitation to exercise performance. Journal of Physiology, 586(1):161–173, 2008.

[4] Tatsuro Amano, T. Scott Bowen, David C. Poole, Narihiko Kondo, Thomas J. Bars- tow, Dai Okushima, Harry B. Rossiter, and Shunsaku Koga. Greater V O 2peak is correlated with greater skeletal muscle deoxygenation amplitude and hemoglo- bin concentration within individual muscles during ramp-incremental cycle exercise . Physiological Reports, 4(23):e13065, 2016.

[5] Wesley Boehs Baker. Optical Cerebral Blood Flow Monitoring of Mice To Men. page 273, 2015.

[6] Helen Crewe, Æ Ross Tucker, and Timothy D Noakes. The rate of increase in rating of perceived exertion predicts the duration of exercise to fatigue at a fixed power output in different environmental conditions. Eur J Appl Physiol, pages 569–577, 2008.

[7] Jeroen Van Cutsem, Samuele Marcora, Kevin De Pauw, Stephen Bailey, Romain Meeusen, and Bart Roelands. The Effects of Mental Fatigue on Physical Performance : A Systematic Review. Sports Medicine, 47(8):1569–1588, 2017.

[8] Weslley Quirino Alves Da Silva, Eduardo Bodnariuc Fontes, Rodrigo Menezes Forti, Zayonara Larissa Lima, Daniel Gomes Da Silva Machado, Andréa Camaz Deslandes, Erika Hussey, Nathan Ward, Rickson Coelho Mesquita, Alexandre Hideki Okano, and Hassan Mohamed Elsangedy. Affect during incremental exercise: The role of inhibitory cognition, autonomic cardiac function, and cerebral oxygenation. PLoS ONE, 12(11):1–17, 2017.

[9] T. Durduran, R. Choe, W. B. Baker, and A. G. Yodh. Diffuse optics for tissue monitoring and tomography. Reports on Progress in Physics, 73(7), 2010.

[10] E. J. Forero, Sergio L Novi, and W. M. Avelar. Use of near-infrared spectroscopy to probe occlusion severity in patients diagnosed with carotid atherosclerotic disease Abstract :. Medical Research Archives, 5(6), 2017.

[11] Rodrigo Menezes Forti. Determination of the dynamical properties in turbid media using diffuse correlation spectroscopy: applications to biological tissues. (June), 2015. [12] Fabian Herold, Patrick Wiegel, Felix Scholkmann, and Notger Müller. Applications of Functional Near-Infrared Spectroscopy (fNIRS) Neuroimaging in Exercise–Cognition Science: A Systematic, Methodology-Focused Review. Journal of Clinical Medicine, 7(12):466, 2018.

[13] Carolien A Van Houdt, Aleid G Van Wassenaer-leemhuis, and Jaap Oosterlaan. Early Human Development Developmental outcomes of very preterm children with high parental education level. Early Human Development, 133(March):11–17, 2019. [14] Gang Hu, Quan Zhang, Vladimir Ivkovic, and Gary E. Strangman. Ambulatory

diffuse optical tomography and multimodality physiological monitoring system for muscle and exercise applications. Journal of Biomedical Optics, 21(9):091314, 2016. [15] Theodore J Huppert, Solomon G Diamond, Maria A Franceschini, and David A Boas. HomER : a review of time-series analysis methods for near-infrared spectroscopy of the brain. Applied Optics, 48, 2009.

[16] Ha Yeon Kim, Eun Joo Kim, and Joshua H. You. Adaptive locomotor network activa- tion during randomized walking speeds using functional near-infrared spectroscopy. Technology and Health Care, 25(S1):S93–S98, 2017.

[17] Tomoharu Kitada, Shuichi Machida, and Hisashi Naito. Influence of muscle fibre composition on muscle oxygenation during maximal running. BMJ Open Sport and Exercise Medicine, 3(1):1–5, 2017.

[18] S. Maria Marcora and Walter Staiano. The limit to exercise tolerance in humans : mind over muscle ? Eur J Appl Physiol, pages 763–770, 2010.

[19] Samuele M Marcora. Do we really need a central governor to explain brain regulation of exercise performance ? Eur J Appl Physiol, pages 929–931, 2008.

[20] Samuele M Marcora, Andrea Bosio, and Helma M De Morree. Locomotor muscle fatigue increases cardiorespiratory responses and reduces performance during intense cycling exercise independently from metabolic stress. Am J Physiol Regul Integr Comp Physiol, pages 874–883, 2008.

[21] Kaitlin M. McLay, James E. Gilbertson, Silvia Pogliaghi, Donald H. Paterson, and Juan M. Murias. Vascular responsiveness measured by tissue oxygen saturation re- perfusion slope is sensitive to different occlusion durations and training status. Ex- perimental Physiology, 101(10):1309–1318, 2016.

[22] R. C. Mesquita, M. Putt, and M. Chandra. Diffuse optical characterization of an exercising patient group with peripheral artery disease group with peripheral artery disease. Journal of Biomedical Optics, (May), 2013.

[23] Rickson C. Mesquita and Arjun G Yodh. Diffuse Optics : Fundamentals & Tissue Applications. Astronomy, (January 2011):51–74, 2011.

[24] B. Molavi and G.A. Dumont. Wavelet-based motion artifact removal for functional near-infrared spectroscopy Wavelet-based motion artifact removal for functional near- infrared spectroscopy. Physiol. Meas., 33, 2012.

[25] T D Noakes, A Bock, and D B Dill. Physiological models to understand exercise fatigue and the adaptations that predict or enhance athletic performance. Scand J Med Sci Sports, pages 123–145, 2000.

[26] T. David Noakes and Ross Tucker. Do we really need a central governor to explain brain regulation of exercise performance ? A response to the letter of Dr . Marcora. Eur J Appl Physiol, pages 933–935, 2008.

[27] Sergio L Novi, Wagner Alan, Alex De Castro Carvalho, Giovanni Hering Scavariello, Rodrigo Menezes Forti, Andres Fabian, Guiroga Soto, Vinicius Romera Oliveira, Cla- rissa Lin Yasuda, and Rickson Coelho Mesquita. Development of Novel Methods to Investigate the Brain at Rest Desenvolvimento de Novos Métodos para Investigação do Cérebro durante o Estado de Repouso. 11(3):33–37, 2017.

[28] Suelen Rosa De Oliveira, Ana Carolina, Cabral De Paula, Jonas Jardim De Paula, Sergio L Novi, Débora Marques De Miranda, Suelen Rosa De Oliveira, Ana Carolina, Cabral De Paula, Jonas Jardim De Paula, Paulo Henrique, Paiva De Moraes, Maria Juliana, Silvério Nahin, Lívia De Castro Magalhães, and Sergio L Novi. Association between hemodynamic activity and motor performance in six-month-old full-term and preterm infants : a functional near-infrared spectroscopy study. 5(May 2019), 2017.

[29] Kahina Oussaidene, Fabrice Prieur, Semah Tagougui, Abdelbasset Abaidia, Regis Matran, and Patrick Mucci. Aerobic fitness influences cerebral oxygenation response to maximal exercise in healthy subjects. Respiratory Physiology and Neurobiology, 205:53–60, 2015.

[30] Reember Cano Rodriguez. Utilização da fase para estimativa das propriedades ópticas absolutas do tecido biológico com espectroscopia óptica de difusão. 2015.

[31] R. Saager and A. Berger. Measurement of layer-like hemodynamic trends in scalp and cortex : implications for physiological baseline suppression in functional near-infrared spectroscopy. Journal of Biom, 13(June 2008):1–10, 2008.

[32] Rolf B Saager and Andrew J Berger. Direct characterization and removal of interfe- ring absorption trends in two-layer turbid media. J. Opt. Soc. Am., 22(9):1874–1882, 2005.

[33] F. Scholkmann, S. Spichtig, T. Muehlemann, and M. Wolf. How to detect and reduce movement artifacts in near-infrared imaging using moving standard. Physiol. Meas., 31:649–662, 2010.

[34] Andrew W. Subudhi, Andrew C. Dimmen, and Robert C. Roach. Effects of acute hypoxia on cerebral and muscle oxygenation during incremental exercise. Journal of Applied Physiology, 103(1):177–183, 2007.

[35] Andrew W. Subudhi, Matthew C. Lorenz, Charles S. Fulco, and Robert C. Roach. Cerebrovascular Responses To Incremental Exercise During Hypobaric Hypoxia: Ef- fect Of Oxygenation On Maximal Performance. Medicine & Science in Sports & Exercise, 40(Supplement):S51–S52, 2008.

[36] Ioannis Vogiatzis, Zafeiris Louvaris, Helmut Habazettl, Dimitris Athanasopoulos, Vasilis Andrianopoulos, Evgenia Cherouveim, Harrieth Wagner, Charis Roussos, Pe- ter D. Wagner, and Spyros Zakynthinos. Frontal cerebral cortex blood flow, oxygen delivery and oxygenation during normoxic and hypoxic exercise in athletes. Journal of Physiology, 589(16):4027–4039, 2011.

[37] Tejin Yoon, Bonnie Schlinder Delap, Erin E Griffith, and Sandra K Hunter. LOW- AND HIGH-FORCE FATIGUING CONTRACTIONS IN MEN AND WOMEN. (October):515–524, 2007.

Apêndice A

Dados suplementares

Os boxplots apresentados nos capítulos 4 e 5 são mais informativos no sentido de transmi- tir rapidamente a distinção entre duas distribuições de dados em duas situações diferentes. No entanto, caso o leitor deseje verificar a comparação voluntário a voluntário das gran- dezas apresentadas, todos os dados estão exibidos nas tabelas que seguem.

A.1

Dados musculares

A Tabela A.1 exibe para todos os voluntários os dados das saturações no início (Stin), ao término (Stout) e o valor mínimo de saturação (Stmin) durante a série de repetições. A última linha apresenta uma incerteza propagada dos erros individuais dos valores e da metade da distância inter-quartis da distribuição. Note que as saturações não aparentam variar com a intensidade do exercício.

Tabela A.1: Valores de saturação obtidos da média das séries com mesma carga para os voluntários.

Stin(%) Stout(%) Stmin(%) Voluntário Baixa Alta Baixa Alta Baixa Alta

1 77 ± 3 75 ± 3 82 ± 2 79 ± 3 56 ± 4 51 ± 4 2 79 ± 4 85 ± 4 86 ± 2 84 ± 3 50 ± 5 53 ± 5 3 79 ± 4 77 ± 5 80 ± 2 76 ± 2 59 ± 6 55 ± 3 4 76 ± 5 64 ± 5 85 ± 3 82 ± 4 39 ± 6 23 ± 6 5 83 ± 4 76 ± 6 80 ± 2 80 ± 3 35 ± 5 39 ± 7 6 80 ± 6 76 ± 4 92 ± 5 78 ± 5 45 ± 8 46 ± 7 7 85 ± 2 81 ± 5 87 ± 5 82 ± 4 65 ± 4 73 ± 7 8 83 ± 1 77 ± 5 85 ± 2 81 ± 2 73 ± 4 69 ± 5 9 84 ± 3 83 ± 2 83 ± 5 86 ± 3 75 ± 7 76 ± 3 10 78 ± 3 81 ± 6 83 ± 2 82 ± 2 67 ± 6 71 ± 7 Mediana 80 ± 4 77 ± 4 84 ± 2 82 ± 2 58 ± 10 54 ± 11

A Tabela A.2, por sua vez, mostra o tempo entre o início da série de repetições e o mínimo de saturação (t1), o tempo entre o mínimo e o término da série de repetições (t2) e o tempo desde o término da série até que a saturação atinja um valor estacionário (t3).

Note que apesar de t3 aparentar não variar com a carga, os dados indicam que t1 e t2 são funções da intensidade da atividade.

Tabela A.2: Valores de tempo médio inferidos dos valores de saturação para séries mesma carga para os voluntários.

t1(s) t2(s) t3(s)

Voluntário Baixa Alta Baixa Alta Baixa Alta 1 26 ± 5 11 ± 1 30 ± 6 3 ± 1 49 ± 4 48 ± 4 2 54 ± 10 11 ± 1 35 ± 8 0 ± 1 49 ± 3 44 ± 3 3 52 ± 6 17 ± 1 13 ± 5 4 ± 1 73 ± 4 80 ± 4 4 30 ± 6 19 ± 2 50 ± 10 9 ± 2 57 ± 2 66 ± 3 5 37 ± 7 15 ± 1 26 ± 8 4 ± 1 78 ± 4 80 ± 4 6 46 ± 9 10 ± 1 10 ± 4 0 ± 1 51 ± 2 44 ± 6 7 29 ± 2 11 ± 1 64 ± 12 1 ± 1 48 ± 3 32 ± 10 8 22 ± 1 20 ± 6 37 ± 2 3 ± 1 29 ± 4 44 ± 7 9 60 ± 15 9 ± 5 15 ± 12 5 ± 4 23 ± 9 28 ± 8 10 26 ± 5 12 ± 1 68 ± 10 6 ± 4 43 ± 3 32 ± 2 Mediana 34 ± 9 12 ± 4 33 ± 15 4 ± 2 49 ± 7 44 ± 10

A.2

Dados corticais

A Tabela A.3 apresenta, por voluntário, a porcentagem de canais ativados em relação ao total de canais presentes na região. A última linha apresenta pararesenta a mediana e a metade da distância inter-quartis dos pontos apresentados. Note, pela tabela, que 80 % dos voluntários apresentaram uma área pré-frontal ativada maior para exercícios realizados com cargas baixas, bem como 90 % deles mostraram uma maior área de ativação na região motora para esta mesma intensidade do exercício.

Tabela A.3: Porcentagem de canais onde uma curva de ativação neural foi encontrada em relação ao total de canais na região.

Pré-Frontal (%) Motor (%) Voluntário Baixa Alta Baixa Alta

1 32,5 15 25 19,4 2 40 0 26,4 8,3 3 62,5 22,5 37,5 20,8 4 30 45 20,8 11,1 5 40 22,5 40,3 29,1 6 27,5 0 19,4 6,9 7 27,5 17,5 19,4 1,4 8 30 17,5 16,6 13,8 9 10 5 9,8 13,8 10 22,5 22,5 12,5 4,2 Mediana 30 ± 5 18 ± 8 20 ± 4 12 ± 5

A Tabela A.4, por sua vez, mostra a porcentagem N (definido por 5.5) de canais com queda em ∆[HbO] em relação ao total de canais ativados na região. Note que exercícios

com cargas baixas induzem maior N que atividades com cargas altas. Particularmente, o aior N encontrado é no PFC. A última linha da tabela apresenta a mediana e metade da distância inter-quartis da distribuição.

Tabela A.4: Porcentagem N de canais, por região, que atendem à equação 5.4 em relação ao total de canais ativados.

NP F C(%) NM C(%) Voluntário Baixa Alta Baixa Alta

1 52,8 33,3 27,8 14,3 2 62,8 0 51,7 0 3 54,4 0 20,4 11,1 4 16,7 0 38,6 0 5 5,0 6,3 17,9 3,2 6 45,8 0 55 0 7 43,3 0 7,1 0 8 37 16,7 28,6 18,8 9 16,6 0 0 0 10 50 0 33,3 0 Mediana 45 ± 15 0 ± 2 28 ± 9 0 ± 5