Understanding deep architectures and the effect of unsupervised pre-training

Cette thèse porte sur une classe d'algorithmes d'apprentissage appelés architectures profondes. Il existe des résultats qui indiquent que les représentations peu profondes et locales ne sont pas suffisantes pour la modélisation des fonctions comportant plusieurs facteurs de variation. Nous sommes particulièrement intéressés par ce genre de données car nous espérons qu'un agent intelligent sera en mesure d'apprendre à les modéliser automatiquement; l'hypothèse est que les architectures profondes sont mieux adaptées pour les modéliser. Les travaux de Hinton (2006) furent une véritable percée, car l'idée d'utiliser un algorithme d'apprentissage non-supervisé, les machines de Boltzmann restreintes, pour l'initialisation des poids d'un réseau de neurones supervisé a été cruciale pour entraîner l'architecture profonde la plus populaire, soit les réseaux de neurones artificiels avec des poids totalement connectés. Cette idée a été reprise et reproduite avec succès dans plusieurs contextes et avec une variété de modèles. Dans le cadre de cette thèse, nous considérons les architectures profondes comme des biais inductifs. Ces biais sont représentés non seulement par les modèles eux-mêmes, mais aussi par les méthodes d'entraînement qui sont souvent utilisés en conjonction avec ceux-ci. Nous désirons définir les raisons pour lesquelles cette classe de fonctions généralise bien, les situations auxquelles ces fonctions pourront être appliquées, ainsi que les descriptions qualitatives de telles fonctions. L'objectif de cette thèse est d'obtenir une meilleure compréhension du succès des architectures profondes. Dans le premier article, nous testons la concordance entre nos intuitions---que les réseaux profonds sont nécessaires pour mieux apprendre avec des données comportant plusieurs facteurs de variation---et les résultats empiriques. Le second article est une étude approfondie de la question: pourquoi l'apprentissage non-supervisé aide à mieux généraliser dans un réseau profond? Nous explorons et évaluons plusieurs hypothèses tentant d'élucider le fonctionnement de ces modèles. Finalement, le troisième article cherche à définir de façon qualitative les fonctions modélisées par un réseau profond. Ces visualisations facilitent l'interprétation des représentations et invariances modélisées par une architecture profonde.

Predicting post-training reactions from pre-training attitudes

Les programmes de formation et d’apprentissage sont devenus des éléments parmi les plus essentiels pour les compagnies et la question se pose de savoir ce qui influence l’efficacité d’une formation. Récemment, la motivation pour la formation a été considérée comme le facteur déterminant. Ainsi, les objectifs de cette étude étaient d’examiner si la motivation pour la formation corrèle bien avec les antécédents et les réactions des employés formés, ainsi que d’analyser si la motivation joue un rôle de médiateur dans la prédiction des résultats d’une formation. Trois variables de « pré-formation » ont été choisies pour cette étude : l’attitude générale envers la formation, le sentiment d’efficacité personnelle en formation, et la planification de carrière. Les réactions immédiates des employés formés ont été choisies comme variable de « post-formation ». Un total de 152 employés d’une large compagnie québécoise a participé à cette étude en remplissant un questionnaire en début de formation et un autre à la fin. Les résultats de cette étude ont mis en évidence que la motivation pour la formation peut être prédite par l’attitude générale envers la formation, le sentiment d’efficacité personnelle en formation et la planification de carrière. De plus, la motivation pour la formation s’est révélée être le meilleur facteur de prédiction des réactions des employés formés. Les résultats ont également montré que la motivation pour la formation agit pleinement comme médiateur dans la relation entre le sentiment d’efficacité personnelle et la réaction des employés formés, et comme médiateur partiel entre l’attitude générale envers la formation et les réactions. Pour finir, cette étude a permis de découvrir que les employés nouvellement arrivés diffèrent des employés permanents dans leurs attitudes pré-formation et leurs réactions post-formation. Les résultats de cette étude sont discutés, des implications théoriques sont commentées et des implications pratiques pour les compagnies sont suggérées.

The impact of pre -training interventions on cognitive, skill, and affective learning outcomes: A meta -analytic examination of four decades of research

Technological advancements and the ever-evolving demands of a global marketplace may have changed the way in which training is designed, implemented, and even managed, but the ultimate goal of organizational training programs remains the same: to facilitate learning of a knowledge, skill, or other outcome that will yield improvement in employee performance on the job and within the organization (Colquitt, LePine, & Noe, 2000; Tannenbaum & Yukl, 1992). Studies of organizational training have suggested medium to large effect sizes for the impact of training on employee learning (e.g., Arthur, Bennett, Edens, & Bell, 2003; Burke & Day, 1986). However, learning may be differentially affected by such factors as the (1) level and type of preparation provided prior to training, (2) targeted learning outcome, (3) training methods employed, and (4) content and goals of training (e.g., Baldwin & Ford, 1988). A variety of pre-training interventions have been identified as having the potential to enhance learning from training and practice (Cannon-Bowers, Rhodenizer, Salas, & Bowers, 1998). Numerous individual studies have been conducted examining the impact of one or more of these pre-training interventions on learning. ^ I conducted a meta-analytic examination of the effect of these pre-training interventions on cognitive, skill, and affective learning. Results compiled from 359 independent studies (total N = 37,038) reveal consistent positive effects for the role of pre-training interventions in enhancing learning. In most cases, the provision of a pre-training intervention explained approximately 5–10% of the variance in learning, and in some cases, explained up to 40–50% of variance in learning. Overall attentional advice and meta-cognitive strategies (as compared with advance organizers, goal orientation, and preparatory information) seem to result in the most consistent learning gains. Discussion focuses on the most beneficial match between an intervention and the learning outcome of interest, the most effective format of these interventions, and the most appropriate circumstances under which these interventions should be utilized. Also highlighted are the implications of these results for practice, as well as propositions for important avenues for future research. ^

Unsupervised reinforcement learning via state entropy maximization

Reinforcement Learning (RL) provides a powerful framework to address sequential decision-making problems in which the transition dynamics is unknown or too complex to be represented. The RL approach is based on speculating what is the best decision to make given sample estimates obtained from previous interactions, a recipe that led to several breakthroughs in various domains, ranging from game playing to robotics. Despite their success, current RL methods hardly generalize from one task to another, and achieving the kind of generalization obtained through unsupervised pre-training in non-sequential problems seems unthinkable. Unsupervised RL has recently emerged as a way to improve generalization of RL methods. Just as its non-sequential counterpart, the unsupervised RL framework comprises two phases: An unsupervised pre-training phase, in which the agent interacts with the environment without external feedback, and a supervised fine-tuning phase, in which the agent aims to efficiently solve a task in the same environment by exploiting the knowledge acquired during pre-training. In this thesis, we study unsupervised RL via state entropy maximization, in which the agent makes use of the unsupervised interactions to pre-train a policy that maximizes the entropy of its induced state distribution. First, we provide a theoretical characterization of the learning problem by considering a convex RL formulation that subsumes state entropy maximization. Our analysis shows that maximizing the state entropy in finite trials is inherently harder than RL. Then, we study the state entropy maximization problem from an optimization perspective. Especially, we show that the primal formulation of the corresponding optimization problem can be (approximately) addressed through tractable linear programs. Finally, we provide the first practical methodologies for state entropy maximization in complex domains, both when the pre-training takes place in a single environment as well as multiple environments.

Algorithmes d'apprentissage pour la recommandation

L'ère numérique dans laquelle nous sommes entrés apporte une quantité importante de nouveaux défis à relever dans une multitude de domaines. Le traitement automatique de l'abondante information à notre disposition est l'un de ces défis, et nous allons ici nous pencher sur des méthodes et techniques adaptées au filtrage et à la recommandation à l'utilisateur d'articles adaptés à ses goûts, dans le contexte particulier et sans précédent notable du jeu vidéo multi-joueurs en ligne. Notre objectif est de prédire l'appréciation des niveaux par les joueurs. Au moyen d'algorithmes d'apprentissage machine modernes tels que les réseaux de neurones profonds avec pré-entrainement non-supervisé, que nous décrivons après une introduction aux concepts nécessaires à leur bonne compréhension, nous proposons deux architectures aux caractéristiques différentes bien que basées sur ce même concept d'apprentissage profond. La première est un réseau de neurones multi-couches pour lequel nous tentons d'expliquer les performances variables que nous rapportons sur les expériences menées pour diverses variations de profondeur, d'heuristique d'entraînement, et des méthodes de pré-entraînement non-supervisé simple, débruitant et contractant. Pour la seconde architecture, nous nous inspirons des modèles à énergie et proposons de même une explication des résultats obtenus, variables eux aussi. Enfin, nous décrivons une première tentative fructueuse d'amélioration de cette seconde architecture au moyen d'un fine-tuning supervisé succédant le pré-entrainement, puis une seconde tentative où ce fine-tuning est fait au moyen d'un critère d'entraînement semi-supervisé multi-tâches. Nos expériences montrent des performances prometteuses, notament avec l'architecture inspirée des modèles à énergie, justifiant du moins l'utilisation d'algorithmes d'apprentissage profonds pour résoudre le problème de la recommandation.

Recognition of Facial Expressions with Autoencoders and Convolutional-Nets

Les humains communiquent via différents types de canaux: les mots, la voix, les gestes du corps, des émotions, etc. Pour cette raison, un ordinateur doit percevoir ces divers canaux de communication pour pouvoir interagir intelligemment avec les humains, par exemple en faisant usage de microphones et de webcams. Dans cette thèse, nous nous intéressons à déterminer les émotions humaines à partir d’images ou de vidéo de visages afin d’ensuite utiliser ces informations dans différents domaines d’applications. Ce mémoire débute par une brève introduction à l'apprentissage machine en s’attardant aux modèles et algorithmes que nous avons utilisés tels que les perceptrons multicouches, réseaux de neurones à convolution et autoencodeurs. Elle présente ensuite les résultats de l'application de ces modèles sur plusieurs ensembles de données d'expressions et émotions faciales. Nous nous concentrons sur l'étude des différents types d’autoencodeurs (autoencodeur débruitant, autoencodeur contractant, etc) afin de révéler certaines de leurs limitations, comme la possibilité d'obtenir de la coadaptation entre les filtres ou encore d’obtenir une courbe spectrale trop lisse, et étudions de nouvelles idées pour répondre à ces problèmes. Nous proposons également une nouvelle approche pour surmonter une limite des autoencodeurs traditionnellement entrainés de façon purement non-supervisée, c'est-à-dire sans utiliser aucune connaissance de la tâche que nous voulons finalement résoudre (comme la prévision des étiquettes de classe) en développant un nouveau critère d'apprentissage semi-supervisé qui exploite un faible nombre de données étiquetées en combinaison avec une grande quantité de données non-étiquetées afin d'apprendre une représentation adaptée à la tâche de classification, et d'obtenir une meilleure performance de classification. Finalement, nous décrivons le fonctionnement général de notre système de détection d'émotions et proposons de nouvelles idées pouvant mener à de futurs travaux.

Apprentissage des réseaux de neurones profonds et applications en traitement automatique de la langue naturelle

En apprentissage automatique, domaine qui consiste à utiliser des données pour apprendre une solution aux problèmes que nous voulons confier à la machine, le modèle des Réseaux de Neurones Artificiels (ANN) est un outil précieux. Il a été inventé voilà maintenant près de soixante ans, et pourtant, il est encore de nos jours le sujet d'une recherche active. Récemment, avec l'apprentissage profond, il a en effet permis d'améliorer l'état de l'art dans de nombreux champs d'applications comme la vision par ordinateur, le traitement de la parole et le traitement des langues naturelles. La quantité toujours grandissante de données disponibles et les améliorations du matériel informatique ont permis de faciliter l'apprentissage de modèles à haute capacité comme les ANNs profonds. Cependant, des difficultés inhérentes à l'entraînement de tels modèles, comme les minima locaux, ont encore un impact important. L'apprentissage profond vise donc à trouver des solutions, en régularisant ou en facilitant l'optimisation. Le pré-entraînnement non-supervisé, ou la technique du ``Dropout'', en sont des exemples. Les deux premiers travaux présentés dans cette thèse suivent cette ligne de recherche. Le premier étudie les problèmes de gradients diminuants/explosants dans les architectures profondes. Il montre que des choix simples, comme la fonction d'activation ou l'initialisation des poids du réseaux, ont une grande influence. Nous proposons l'initialisation normalisée pour faciliter l'apprentissage. Le second se focalise sur le choix de la fonction d'activation et présente le rectifieur, ou unité rectificatrice linéaire. Cette étude a été la première à mettre l'accent sur les fonctions d'activations linéaires par morceaux pour les réseaux de neurones profonds en apprentissage supervisé. Aujourd'hui, ce type de fonction d'activation est une composante essentielle des réseaux de neurones profonds. Les deux derniers travaux présentés se concentrent sur les applications des ANNs en traitement des langues naturelles. Le premier aborde le sujet de l'adaptation de domaine pour l'analyse de sentiment, en utilisant des Auto-Encodeurs Débruitants. Celui-ci est encore l'état de l'art de nos jours. Le second traite de l'apprentissage de données multi-relationnelles avec un modèle à base d'énergie, pouvant être utilisé pour la tâche de désambiguation de sens.

NONLINEAR PERIODIZATION MAXIMIZES STRENGTH GAINS IN SPLIT RESISTANCE TRAINING ROUTINES

Monteiro, AG, Aoki, MS, Evangelista, AL, Alveno, DA, Monteiro, GA, Picarro, IDC, and Ugrinowitsch, C. Nonlinear periodization maximizes strength gains in split resistance training routines. J Strength Cond Res 23(4): 1321-1326, 2009-The purpose of our study was to compare strength gains after 12 weeks of nonperiodized (NP), linear periodized (LP), and nonlinear periodized (NLP) resistance training models using split training routines. Twenty-seven strength-trained men were recruited and randomly assigned to one of 3 balanced groups: NP, LP, and NLP. Strength gains in the leg press and in the bench press exercises were assessed. There were no differences between the training groups in the exercise pre-tests (p > 0.05) (i.e., bench press and leg press). The NLP group was the only group to significantly increase maximum strength in the bench press throughout the 12-week training period. In this group, upper-body strength increased significantly from pre-training to 4 weeks (p < 0.0001), from 4 to 8 weeks (p = 0.004), and from 8 weeks to the post-training (p < 0.02). The NLP group also exhibited an increase in leg press 1 repetition maximum at each time point (pre-training to 4 weeks, 4-8 week, and 8 weeks to post-training, p < 0.0001). The LP group demonstrated strength increases only after the eight training week (p = 0.02). There were no further strength increases from the 8-week to the post-training test. The NP group showed no strength increments after the 12-week training period. No differences were observed in the anthropometric profiles among the training models. In summary, our data suggest that NLP was more effective in increasing both upper- and lower-body strength for trained subjects using split routines.

Long-term metabolic and skeletal muscle adaptations to short-sprint training: Implications for sprint training and tapering

The adaptations of muscle to sprint training can be separated into metabolic and morphological changes. Enzyme adaptations represent a major metabolic adaptation to sprint training, with the enzymes of all three energy systems showing signs of adaptation to training and some evidence of a return to baseline levels with detraining. Myokinase and creatine phosphokinase have shown small increases as a result of short-sprint training in some studies and elite sprinters appear better able to rapidly breakdown phosphocreatine (PCr) than the sub-elite. No changes in these enzyme levels have been reported as a result of detraining. Similarly, glycolytic enzyme activity (notably lactate dehydrogenase, phosphofructokinase and glycogen phosphorylase) has been shown to increase after training consisting of either long (> 10-second) or short (< 10-second) sprints. Evidence suggests that these enzymes return to pre-training levels after somewhere between 7 weeks and 6 months of detraining. Mitochondrial enzyme activity also increases after sprint training, particularly when long sprints or short recovery between short sprints are used as the training stimulus. Morphological adaptations to sprint training include changes in muscle fibre type, sarcoplasmic reticulum, and fibre cross-sectional area. An appropriate sprint training programme could be expected to induce a shift toward type Ha muscle, increase muscle cross-sectional area and increase the sarcoplasmic reticulum volume to aid release of Ca2+. Training volume and/or frequency of sprint training in excess of what is optimal for an individual, however, will induce a shift toward slower muscle contractile characteristics. In contrast, detraining appears to shift the contractile characteristics towards type IIb, although muscle atrophy is also likely to occur. Muscle conduction velocity appears to be a potential non-invasive method of monitoring contractile changes in response to sprint training and detraining. In summary, adaptation to sprint training is clearly dependent on the duration of sprinting, recovery between repetitions, total volume and frequency of training bouts. These variables have profound effects on the metabolic, structural and performance adaptations from a sprint-training programme and these changes take a considerable period of time to return to baseline after a period of detraining. However, the complexity of the interaction between the aforementioned variables and training adaptation combined with individual differences is clearly disruptive to the transfer of knowledge and advice from laboratory to coach to athlete.

Optimising high-intensity treadmill training using the running speed at maximal O-2 uptake and the time for which this can be maintained

The aim of this study was to compare the effects of two high-intensity, treadmill interval-training programs on 3000-m and 5000-m running performance. Maximal oxygen uptake ((V) over dot O-2max), the running speed associated with (V) over dot O-2max (nu (V) over dot O-2max), the time for which nu (V) over dot O-2max can be maintained (T-max), running economy (RE), ventilatory threshold (VT) and 3000-m and 5000-m running times were determined in 27 well-trained runners. Subjects were then randomly assigned to three groups; (1) 60% T-max (2) 70% T-max and (3) control. Subjects in the control group continued their normal training and subjects in the two T-max groups undertook a 4-week treadmill interval-training program with the intensity set at nu (V) over dot O-2max and the interval duration at the assigned T-max. These subjects completed two interval-training sessions per week (60% T-max = six intervals/session, 70% T-max group = five intervals/session). Subjects were re-tested on all parameters at the completion of the training program. There was a significant improvement between pre- and post-training values in 3000-m time trial (TT) performance in the 60% T-max group compared to the 70% T,,a, and control groups [mean (SE); 60% T-max = 17.6 (3.5) s, 70% T-max = 6.3 (4.2) s, control = 0.5 (7.7) s]. There was no significant effect of the training program on 5000-m TT performance [60% T-max = 25.8 (13.8) s, 70% T-max = 3.7 (11.6) s, control = 9.9 (13.1) s]. Although there were no significant improvements in (V) over dot O-2max, nu (V) over dot (2max) and RE between groups, changes in (V) over dot O-2max and RE were significantly correlated with the improvement in the 3000-m TT. Furthermore, VT and T-max were significantly higher in the 60% Tmax group post-compared to pre-training. In conclusion, 3000-m running performance can be significantly improved in a group of well-trained runners, using a 4-week treadmill interval training program at nu (V) over dot O-2max with interval durations of 60% T-max.

The influence of experience and training in a group of novice observers: a jackknife alternative free-response receiver operating characteristic analysis

Purpose - The study evaluates the pre- and post-training lesion localisation ability of a group of novice observers. Parallels are drawn with the performance of inexperienced radiographers taking part in preliminary clinical evaluation (PCE) and ‘red-dot’ systems, operating within radiography practice. Materials and methods - Thirty-four novice observers searched 92 images for simulated lesions. Pre-training and post-training evaluations were completed following the free-response the receiver operating characteristic (FROC) method. Training consisted of observer performance methodology, the characteristics of the simulated lesions and information on lesion frequency. Jackknife alternative FROC (JAFROC) and highest rating inferred ROC analyses were performed to evaluate performance difference on lesion-based and case-based decisions. The significance level of the test was set at 0.05 to control the probability of Type I error. Results - JAFROC analysis (F(3,33) = 26.34, p < 0.0001) and highest-rating inferred ROC analysis (F(3,33) = 10.65, p = 0.0026) revealed a statistically significant difference in lesion detection performance. The JAFROC figure-of-merit was 0.563 (95% CI 0.512,0.614) pre-training and 0.677 (95% CI 0.639,0.715) post-training. Highest rating inferred ROC figure-of-merit was 0.728 (95% CI 0.701,0.755) pre-training and 0.772 (95% CI 0.750,0.793) post-training. Conclusions - This study has demonstrated that novice observer performance can improve significantly. This study design may have relevance in the assessment of inexperienced radiographers taking part in PCE or commenting scheme for trauma.

Human Resource Training and National Sport Organization Managers: Examining the Impact of Training on Individual and Organizational Performance

Within sport, a tremendous amount of effort is committed to the on-the-field performance of athletes and coaches, neglecting the off-the-field performance and development of sport managers. This study examines the impact of human resource training on the performance of five Canadian national sport organizations (NSO) and their managers (N=22). Data were collected on three outcome variables (learning, individual performance, organizational performance) and three mediating variables (motivation to transfer, training design, organizational climate) at three time measures (pre-training, post-training1, post-training2). Results indicate that training improves the learning and individual performance of sport managers, as well as the organizational performance of NSOs. Varying relationships were found at each of the three time measures, demonstrating that a progression to training-related performance change exists, while providing support for three levels of analysis (individual, organizational, systemic). Implications and future research directions are discussed and highlight the need for on-going training opportunities for Canadian sport managers.

Apprentissage de représentations sur-complètes par entraînement d’auto-encodeurs

Les avancés dans le domaine de l’intelligence artificielle, permettent à des systèmes informatiques de résoudre des tâches de plus en plus complexes liées par exemple à la vision, à la compréhension de signaux sonores ou au traitement de la langue. Parmi les modèles existants, on retrouve les Réseaux de Neurones Artificiels (RNA), dont la popularité a fait un grand bond en avant avec la découverte de Hinton et al. [22], soit l’utilisation de Machines de Boltzmann Restreintes (RBM) pour un pré-entraînement non-supervisé couche après couche, facilitant grandement l’entraînement supervisé du réseau à plusieurs couches cachées (DBN), entraînement qui s’avérait jusqu’alors très difficile à réussir. Depuis cette découverte, des chercheurs ont étudié l’efficacité de nouvelles stratégies de pré-entraînement, telles que l’empilement d’auto-encodeurs traditionnels(SAE) [5, 38], et l’empilement d’auto-encodeur débruiteur (SDAE) [44]. C’est dans ce contexte qu’a débuté la présente étude. Après un bref passage en revue des notions de base du domaine de l’apprentissage machine et des méthodes de pré-entraînement employées jusqu’à présent avec les modules RBM, AE et DAE, nous avons approfondi notre compréhension du pré-entraînement de type SDAE, exploré ses différentes propriétés et étudié des variantes de SDAE comme stratégie d’initialisation d’architecture profonde. Nous avons ainsi pu, entre autres choses, mettre en lumière l’influence du niveau de bruit, du nombre de couches et du nombre d’unités cachées sur l’erreur de généralisation du SDAE. Nous avons constaté une amélioration de la performance sur la tâche supervisée avec l’utilisation des bruits poivre et sel (PS) et gaussien (GS), bruits s’avérant mieux justifiés que celui utilisé jusqu’à présent, soit le masque à zéro (MN). De plus, nous avons démontré que la performance profitait d’une emphase imposée sur la reconstruction des données corrompues durant l’entraînement des différents DAE. Nos travaux ont aussi permis de révéler que le DAE était en mesure d’apprendre, sur des images naturelles, des filtres semblables à ceux retrouvés dans les cellules V1 du cortex visuel, soit des filtres détecteurs de bordures. Nous aurons par ailleurs pu montrer que les représentations apprises du SDAE, composées des caractéristiques ainsi extraites, s’avéraient fort utiles à l’apprentissage d’une machine à vecteurs de support (SVM) linéaire ou à noyau gaussien, améliorant grandement sa performance de généralisation. Aussi, nous aurons observé que similairement au DBN, et contrairement au SAE, le SDAE possédait une bonne capacité en tant que modèle générateur. Nous avons également ouvert la porte à de nouvelles stratégies de pré-entraînement et découvert le potentiel de l’une d’entre elles, soit l’empilement d’auto-encodeurs rebruiteurs (SRAE).

Exercise training program based on minimum weekly frequencies: effects on blood pressure and physical fitness in elderly hypertensive patients

Background: Exercise training (ET) can reduce blood pressure (BP) and prevent functional disability. However, the effects of low volumes of training have been poorly studied, especially in elderly hypertensive patients. Objectives: To investigate the effects of a multi-component ET program (aerobic training, strength, flexibility, and balance) on BP, physical fitness, and functional ability of elderly hypertensive patients. Methods: Thirty-six elderly hypertensive patients with optimal clinical treatment underwent a multi-component ET program: two 60-minute sessions a week for 12 weeks at a Basic Health Unit. Results: Compared to pre-training values, systolic and diastolic BP were reduced by 3.6% and 1.2%, respectively (p < 0.001), body mass index was reduced by 1.1% (p < 0.001), and peripheral blood glucose was reduced by 2.5% (p= 0.002). There were improvements in all physical fitness domains: muscle strength (chair-stand test and elbow flexor test; p < 0.001), static balance test (unipedal stance test; p < 0.029), aerobic capacity (stationary gait test; p < 0.001), except for flexibility (sit and reach test). Moreover, there was a reduction in the time required to perform two functional ability tests: "put on sock" and "sit down, stand up, and move around the house" (p < 0.001). Conclusions: Lower volumes of ET improved BP, metabolic parameters, and physical fitness and reflected in the functional ability of elderly hypertensive patients. Trial Registration RBR-2xgjh3.

Training-induced changes in drag-flick technique in female field hockey players

The penalty corner is one of the most important goal plays in field hockey. The drag-flick is used less by women than men in a penalty corner. The aim of this study was to describe training-induced changes in the drag-flick technique in female field hockey players. Four female players participated in the study. The VICON optoelectronic system (Oxford Metrics, Oxford, UK) measured the kinematic parameters of the drag-flick with six cameras sampling at 250 Hz, prior to and after training. Fifteen shots were captured for each subject. A Wilcoxon test assessed the differences between pre-training and post-training parameters. Two players received specific training twice a week for 8 weeks; the other two players did not train. The proposed drills improved the position of the stick at the beginning of the shot (p<0.05), the total distance of the shot (p<0.05)and the rotation radius at ball release (p<0.01). It was noted that all players had lost speed of the previous run. Further studies should include a larger sample, in order to provide more information on field hockey performance.