Belgif Linked Data Fragments server

Matches in Data.gov.be for { ?s <http://purl.org/dc/terms/description> ?o ?g. }

• UOWRSL description "In this dataset we include data to allow the user to calculate polaron properties, such as zero-point renormalization energy, for a set of materials. There are scripts included that use the standard and the generalized Fröhlich models for the calculation of these properties." @default.
• VCPMPB description "This data set was used to examine how novice translators handle Dutch word formation, specifically compounding, when translating from French. The data in this study were collected through an (online) translation task. For the translation task, 30 French source texts were selected from the Multilingual Traditional, Immersion and Native Corpus (MulTINCo) (Meunier et al., 2023). The texts were produced by L1-French eighteen-year-olds, who were asked by the MulTINCo compilers to write a short email, in French, to a friend on one of two topics, either a recent vacation or a birthday party. The 30 texts collected for the current study were selected based on their having a high number of potential target compounds when translated to Dutch. In some cases, these texts were edited, namely shortened, for the translation task, so as to keep the timing of the task relatively consistent across the texts. The translation corpus for this study was collected in 2024 and consists of French-to-Dutch translations by novice translators, namely bachelor’s and master’s students from translation programmes at five Belgian universities, viz. the Universities of Antwerp (Universiteit Antwerpen), Ghent (UGent), Brussels (VUB), Liège (ULiège), and Mons (UMons). In total, there were 71 participants, of whom 40 were L1-Dutch speakers (of which four were bilingual Dutch-French speakers) and 31 were L1-French speakers. Participants performed the translation task in LimeSurvey, an online survey tool, which allocated one of the 30 French source texts randomly to the participants. They were asked not to use dictionaries or translation tools, drawing only on their own knowledge for the entirety of the task. This file contains the source sentences and their translation, as well as the annotation of these translations." @default.
• VCPMPB description "This data set was used to examine how novice translators handle Dutch word formation, specifically compounding, when translating from French. The data in this study were collected through an (online) translation task. For the translation task, 30 French source texts were selected from the Multilingual Traditional, Immersion and Native Corpus (MulTINCo) (Meunier et al., 2023). The texts were produced by L1-French eighteen-year-olds, who were asked by the MulTINCo compilers to write a short email, in French, to a friend on one of two topics, either a recent vacation or a birthday party. The 30 texts collected for the current study were selected based on their having a high number of potential target compounds when translated to Dutch. In some cases, these texts were edited, namely shortened, for the translation task, so as to keep the timing of the task relatively consistent across the texts. The translation corpus for this study was collected in 2024 and consists of French-to-Dutch translations by novice translators, namely bachelor’s and master’s students from translation programmes at five Belgian universities, viz. the Universities of Antwerp (Universiteit Antwerpen), Ghent (UGent), Brussels (VUB), Liège (ULiège), and Mons (UMons). In total, there were 71 participants, of whom 40 were L1-Dutch speakers (of which four were bilingual Dutch-French speakers) and 31 were L1-French speakers. Participants performed the translation task in LimeSurvey, an online survey tool, which allocated one of the 30 French source texts randomly to the participants. They were asked not to use dictionaries or translation tools, drawing only on their own knowledge for the entirety of the task. This file contains the source sentences and their translation, as well as the annotation of these translations." @default.
• VREIOB description "EVE corpus is a resource for speech emotion recognition in English and French audio and audiovisual content. For each language, ten native or near-native actors per language performed 10 linguistically and semantically neutral sentences with different emotions: six basic (fear, anger, happiness, sadness, disgust, surprise), and four complex (confidence, confusion, contempt, empathy). Each was expressed at two arousal levels, with two trials per level. Additionally, each sentence was also produced in a neutral condition, leading to a total of 4,100 recordings. The emotional content of the corpus was perceptually validated by 600 participants per language. The audiovisual recordings were made in high-definition quality following a rigorous methodology, positioning the EVE corpus as a valuable tool for academic and development purposes. Please contact elodie.etienne@uliege.be . https://camps.aptaracorp.com/ACM_PMS/PMS/ACM/IVA25/49/189787aa-6292-11f0-823f-16ffd757ba29/OUT/iva25-49.html" @default.
• VREIOB description "EVE corpus is a resource for speech emotion recognition in English and French audio and audiovisual content. For each language, ten native or near-native actors per language performed 10 linguistically and semantically neutral sentences with different emotions: six basic (fear, anger, happiness, sadness, disgust, surprise), and four complex (confidence, confusion, contempt, empathy). Each was expressed at two arousal levels, with two trials per level. Additionally, each sentence was also produced in a neutral condition, leading to a total of 4,100 recordings. The emotional content of the corpus was perceptually validated by 600 participants per language. The audiovisual recordings were made in high-definition quality following a rigorous methodology, positioning the EVE corpus as a valuable tool for academic and development purposes. Please contact elodie.etienne@uliege.be . https://camps.aptaracorp.com/ACM_PMS/PMS/ACM/IVA25/49/189787aa-6292-11f0-823f-16ffd757ba29/OUT/iva25-49.html" @default.
• VREIOB description "EVE corpus is een hulpmiddel voor spraakherkenning in Engelse en Franse audio- en audiovisuele inhoud. Voor elke taal voerden tien native of near-native acteurs per taal 10 taalkundig en semantisch neutrale zinnen uit met verschillende emoties: zes basis (angst, woede, geluk, verdriet, walging, verrassing) en vier complex (vertrouwen, verwarring, minachting, empathie). Elk werd uitgedrukt op twee opwindingsniveaus, met twee proeven per niveau. Bovendien werd elke zin ook in een neutrale staat geproduceerd, wat leidde tot een totaal van 4.100 opnames. De emotionele inhoud van het corpus werd perceptueel gevalideerd door 600 deelnemers per taal. De audiovisuele opnames werden gemaakt in hoge-definitiekwaliteit volgens een rigoureuze methodologie, waarbij het EVE-corpus werd gepositioneerd als een waardevol instrument voor academische en ontwikkelingsdoeleinden. Neem contact op met elodie.etienne@uliege.be . https://camps.aptaracorp.com/ACM_PMS/PMS/ACM/IVA25/49/189787aa-6292-11f0-823f-16ffd757ba29/OUT/iva25-49.html" @default.
• VREIOB description "EVE corpus ist eine Ressource zur Erkennung von Sprachemotionen in englischen und französischen Audio- und audiovisuellen Inhalten. Für jede Sprache führten zehn muttersprachliche oder nahezu muttersprachliche Akteure pro Sprache zehn sprachlich und semantisch neutrale Sätze mit unterschiedlichen Emotionen durch: sechs grundlegende (Angst, Wut, Glück, Traurigkeit, Ekel, Überraschung) und vier komplexe (Vertrauen, Verwirrung, Verachtung, Empathie). Jeder wurde auf zwei Erregungsebenen ausgedrückt, mit zwei Versuchen pro Ebene. Darüber hinaus wurde jeder Satz auch in einem neutralen Zustand produziert, was zu insgesamt 4.100 Aufnahmen führte. Der emotionale Inhalt des Korpus wurde perzeptuell von 600 Teilnehmern pro Sprache validiert. Die audiovisuellen Aufnahmen wurden in hochauflösender Qualität nach einer strengen Methodik erstellt, wodurch das EVE-Korpus als wertvolles Instrument für akademische und Entwicklungszwecke positioniert wurde. Bitte kontaktieren Sie elodie.etienne@uliege.be . https://camps.aptaracorp.com/ACM_PMS/PMS/ACM/IVA25/49/189787aa-6292-11f0-823f-16ffd757ba29/OUT/iva25-49.html" @default.
• W3SHVM description "Ce fichier contient les positions atomiques et les vecteurs de déplacement utilisés dans l'étude intitulée "Pathways to crystal chirality Un algorithme pour identifier de nouvelles transitions de phase chirale displacive". Les données sont fournies pour assurer la reproductibilité complète des configurations structurelles discutées dans le manuscrit." @default.
• W3SHVM description "Diese Datei enthält atomare Positionen und Verschiebungsvektoren, die in der Studie mit dem Titel Wege zur Kristallchiralität Ein Algorithmus zur Identifizierung neuer displaciver chiraler Phasenübergänge. Die Daten werden zur Verfügung gestellt, um die vollständige Reproduzierbarkeit der im Manuskript diskutierten Strukturkonfigurationen zu gewährleisten." @default.
• W3SHVM description "Dit bestand bevat atomaire posities en verplaatsingsvectoren die in de studie met de titel Een algoritme om nieuwe displacieve chirale faseovergangen te identificeren. De gegevens worden verstrekt om de volledige reproduceerbaarheid van de in het manuscript besproken structurele configuraties te waarborgen." @default.
• W3SHVM description "This file contains atomic positions and displacement vectors used in the study titled "Pathways to crystal chirality An algorithm to identify new displacive chiral phase transitions". The data is provided to ensure full reproducibility of the structural configurations discussed in the manuscript." @default.
• WZFXYD description "Gewichte und Trainingsdaten für das Stellar Kinematics Neural Network (SKiNN). Die SKiNN-Software ist unter https://github.com/mattgomer/SKiNN zu finden und auch auf Software Heritage archiviert. Die vollständige Nutzung von SKiNN wird im Artikel Accelerating galaxy dynamical modeling using a neuronal network for joint lensing and kinematic analysis beschrieben. Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos und Sherry H. Suyu A&A 679 A59 (2023) DOI: 10.1051/0004-6361/202347507. Hier ist die Zusammenfassung der Arbeit, die den wissenschaftlichen Kontext erklärt: Starke Gravitationslinsen sind ein mächtiges Werkzeug, um Beschränkungen für Galaxienmassenverteilungen und kosmologische Parameter wie die Hubble-Konstante H0 bereitzustellen. Dennoch ist die Schlussfolgerung solcher Parameter aus Bildern von Linsensystemen nicht trivial, da Parameterdegenerationen die Genauigkeit der gemessenen Linsenmasse und der kosmologischen Ergebnisse einschränken können. Externe Informationen über die Masse der Linse in Form von kinematischen Messungen sind erforderlich, um eine präzise und unvoreingenommene Schlussfolgerung zu gewährleisten. Traditionell wurden solche kinematischen Informationen in die Inferenz nach der Bildmodellierung aufgenommen, wobei kugelförmige Jeans-Approximationen verwendet wurden, um die gemessene Geschwindigkeitsdispersion, die in eine Blende integriert ist, anzupassen. Da jedoch räumlich aufgelöste kinematische Messungen über IFU-Daten verfügbar werden, ist eine ausgefeiltere dynamische Modellierung erforderlich. Eine solche kinematische Modellierung ist teuer und stellt einen rechnerischen Engpass dar, den wir mit unserem Stellar Kinematics Neural Network (SKiNN) überwinden wollen. SKiNN emuliert die achsensymmetrische Modellierung mithilfe eines neuronalen Netzwerks und synthetisiert aus einem gegebenen Massenmodell schnell eine kinematische Karte, die mit den Beobachtungen verglichen werden kann, um eine Wahrscheinlichkeit zu bewerten. Mit einer gemeinsamen Linse plus kinematischem Rahmen begrenzt diese Wahrscheinlichkeit das Massenmodell gleichzeitig mit den bildgebenden Daten. Wir zeigen, dass die Emulation einer kinematischen Karte durch SKiNN wesentlich genauer ist, als gemessen werden kann (in fast allen Fällen besser als 1 %). Die Verwendung von SKiNN beschleunigt die Wahrscheinlichkeitsbewertung um den Faktor ~200. Diese Beschleunigung macht die dynamische Modellierung wirtschaftlich und ermöglicht es Linsenmodellierern, die moderne Datenqualität in der JWST-Ära effektiv zu nutzen. Genauer gesagt enthält dieser Datensatz die in Abschnitt 3.1 des Papiers beschriebenen Trainingsdaten und die daraus resultierenden Gewichte zur Verwendung des SKiNN nach dem Training. Die Trainingsdaten (4000 Paare) bestehen aus einer parameter.npy-Datei, d. h. aus Parametersätzen, die die PEMD-Masse, das elliptische sersische Licht und die Kinematikparameter beschreiben, und einer vrms_maps.npy-Datei, die die entsprechende kinematische Karte enthält, die mit der JAM-Software und der MGE-Methode erstellt wurde. Die Gewichte sind eine einzelne Datei weights.ckpt, die wie im Setup von SKiNN beschrieben importiert werden muss, um die Erstellung einer kinematischen Karte aus einer Reihe von Parametern zu ermöglichen, die die Galaxieneigenschaften beschreiben. Anm.: Die Parameter sind wie folgt geordnet: q_mass (Achsenverhältnis des Massenprofils), q_light (Achsenverhältnis des Lichtprofils), theta_E (Einstein-Radius), n_sersic (Serischer Index des Lichts), R_sersic (Serischer Radius des Lichts), r_core (Kernradius auf 0,08 Bogensekunde eingestellt, siehe Papierabschnitt 3.1 für weitere Informationen), gamma (Massenprofilneigung), b_ani (Anisotropie), i (Inklination)." @default.
• WZFXYD description "Gewichten en trainingsgegevens voor het Stellar Kinematics Neural Network (SKiNN). De SKiNN-software is te vinden op https://github.com/mattgomer/SKiNN en is ook gearchiveerd op Software Heritage Het volledige gebruik van SKiNN wordt beschreven in het artikel Accelerating galaxy dynamical modeling using a neural network for joint lensing and kinematic analyses Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos, Sherry H. Suyu A&A 679 A59 (2023) DOI: 10.1051/0004-6361/202347507. Hier is de samenvatting van het artikel waarin de wetenschappelijke context wordt uitgelegd: Sterke zwaartekrachtlenzen zijn een krachtig hulpmiddel om beperkingen op te leggen aan de massaverdeling van sterrenstelsels en kosmologische parameters, zoals de Hubble-constante, H0. Niettemin is de gevolgtrekking van dergelijke parameters uit beelden van lenssystemen niet triviaal, aangezien parameterdegeneraties de precisie in de gemeten lensmassa en kosmologische resultaten kunnen beperken. Externe informatie over de massa van de lens, in de vorm van kinematische metingen, is nodig om een nauwkeurige en onbevooroordeelde gevolgtrekking te garanderen. Traditioneel is dergelijke kinematische informatie opgenomen in de gevolgtrekking na de beeldmodellering, met behulp van sferische Jeans-benaderingen om overeen te komen met de gemeten snelheidsdispersie geïntegreerd in een diafragma. Naarmate ruimtelijk opgeloste kinematische metingen echter beschikbaar komen via IFU-gegevens, is meer geavanceerde dynamische modellering noodzakelijk. Dergelijke kinematische modellering is duur en vormt een computationeel knelpunt dat we willen overwinnen met ons Stellar Kinematics Neural Network (SKiNN). SKiNN emuleert asymmetrische modellering met behulp van een neuraal netwerk, waarbij snel vanuit een bepaald massamodel een kinematische kaart wordt gesynthetiseerd die kan worden vergeleken met de waarnemingen om een waarschijnlijkheid te evalueren. Met een gezamenlijke lensing plus kinematisch kader beperkt deze waarschijnlijkheid het massamodel op hetzelfde moment als de beeldvormingsgegevens. We tonen aan dat de emulatie van een kinematische kaart door SKiNN veel nauwkeuriger is dan kan worden gemeten (in bijna alle gevallen beter dan 1 %). Het gebruik van SKiNN versnelt de waarschijnlijkheidsevaluatie met een factor ~200. Deze versnelling maakt dynamisch modelleren economisch en stelt lensmodelbouwers in staat om effectief gebruik te maken van moderne gegevenskwaliteit in het JWST-tijdperk. Meer in het bijzonder bevat deze dataset de trainingsgegevens beschreven in paragraaf 3.1 van de paper en de resulterende gewichten om de SKiNN na de training te gebruiken. De trainingsgegevens (4000 paren) bestaan uit een parameters.npy-bestand, dat wil zeggen reeksen parameters - die de PEMD-massa, het elliptciale sersische licht en de kinematicaparameters beschrijven - en een vrms_maps.npy-bestand met de bijbehorende kinematische kaart - gemaakt met behulp van de JAM-software en de MGE-methode. De gewichten is een enkel bestand weights.ckpt dat moet worden geïmporteerd zoals beschreven in de setup van SKiNN om het maken van een kinematische kaart mogelijk te maken op basis van een reeks parameters die de eigenschappen van het sterrenstelsel beschrijven. NB: de parameters zijn als volgt gerangschikt: q_mass (asverhouding van het massaprofiel), q_light (asverhouding van het lichtprofiel), theta_E (Einstein-straal), n_sersic (Sersic-index van het licht), R_sersic (Sersic-straal van het licht), r_core (kernstraal ingesteld op 0,08 arcsec, zie paper section 3.1 voor meer informatie), gamma (massaprofielhelling), b_ani (anisotropie), i (helling)." @default.
• WZFXYD description "Poids et données d'entraînement pour le Stellar Kinematics Neural Network (SKiNN). Le logiciel SKiNN est disponible à l’adresse https://github.com/mattgomer/SKiNN et est également archivé dans Software Heritage. L'utilisation complète de SKiNN est décrite dans l'article Accélérer la modélisation dynamique des galaxies à l'aide d'un réseau neuronal pour la lentille articulaire et les analyses cinématiques. Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos et Sherry H. Suyu. A&A 679 A59 (2023) DOI : 10.1051/0004-6361/202347507. Voici le résumé de l'article expliquant le contexte scientifique: La lentille gravitationnelle forte est un outil puissant pour fournir des contraintes sur les distributions de masse des galaxies et les paramètres cosmologiques, tels que la constante de Hubble, H0. Néanmoins, l'inférence de tels paramètres à partir d'images de systèmes de lentilles n'est pas triviale car les dégénérescences de paramètres peuvent limiter la précision de la masse de lentille mesurée et des résultats cosmologiques. Des informations externes sur la masse de la lentille, sous la forme de mesures cinématiques, sont nécessaires pour assurer une inférence précise et impartiale. Traditionnellement, de telles informations cinématiques ont été incluses dans l'inférence après la modélisation de l'image, en utilisant des approximations de Jeans sphériques pour correspondre à la dispersion de vitesse mesurée intégrée dans une ouverture. Cependant, à mesure que les mesures cinématiques spatialement résolues deviennent disponibles via les données IFU, une modélisation dynamique plus sophistiquée est nécessaire. Une telle modélisation cinématique est coûteuse et constitue un goulot d'étranglement informatique que nous visons à surmonter avec notre réseau neuronal de cinématique stellaire (SKiNN). SKiNN émule la modélisation axisymétrique à l'aide d'un réseau neuronal, synthétisant rapidement à partir d'un modèle de masse donné une carte cinématique qui peut être comparée aux observations pour évaluer une vraisemblance. Avec une lentille commune et un cadre cinématique, cette probabilité contraint le modèle de masse en même temps que les données d'imagerie. Nous montrons que l’émulation par SKiNN d’une carte cinématique est précise avec une précision considérablement meilleure que celle qui peut être mesurée (meilleure que 1 % dans presque tous les cas). L'utilisation de SKiNN accélère l'évaluation de la vraisemblance d'un facteur d'environ 200. Cette accélération rend la modélisation dynamique économique et permet aux modélisateurs d'objectifs d'utiliser efficacement la qualité des données modernes à l'ère JWST. Plus précisément, cet ensemble de données contient les données d'entraînement décrites à la section 3.1 du document et les poids résultants pour utiliser le SKiNN après l'entraînement. Les données d'entraînement (4000 paires) consistent en un fichier parameters.npy, c'est-à-dire des ensembles de paramètres - décrivant la masse PEMD, la lumière sersique elliptciale et les paramètres cinématiques - et un fichier vrms_maps.npy contenant la carte cinématique correspondante - créés à l'aide du logiciel JAM et de la méthode MGE. Les poids sont un fichier unique weights.ckpt qui doit être importé comme décrit dans la configuration de SKiNN pour permettre la création d'une carte cinématique à partir d'un ensemble de paramètres décrivant les propriétés de la galaxie. NB : les paramètres sont classés comme suit: q_mass (rapport d’axe du profil de masse), q_light (rapport d’axe du profil de lumière), theta_E (rayon d’Einstein), n_sersic (indice de sersic de la lumière), R_sersic (rayon de sersic de la lumière), r_core (rayon de base fixé à 0,08 arcsec, voir la section 3.1 du document pour plus d’informations), gamma (pente du profil de masse), b_ani (anisotropie), i (inclinaison)." @default.
• WZFXYD description "Weights and training data for the Stellar Kinematics Neural Network (SKiNN). The SKiNN software can be found at https://github.com/mattgomer/SKiNN and is also archived on Software Heritage The full usage of SKiNN is described in the article Accelerating galaxy dynamical modeling using a neural network for joint lensing and kinematic analyses Matthew R. Gomer, Sebastian Ertl, Luca Biggio, Han Wang, Aymeric Galan, Lyne Van de Vyvere, Dominique Sluse, Georgios Vernardos, Sherry H. Suyu A&A 679 A59 (2023) DOI: 10.1051/0004-6361/202347507. Here is the abstract of the paper explaining the scientific context : Strong gravitational lensing is a powerful tool to provide constraints on galaxy mass distributions and cosmological parameters, such as the Hubble constant, H0. Nevertheless, inference of such parameters from images of lensing systems is not trivial as parameter degeneracies can limit the precision in the measured lens mass and cosmological results. External information on the mass of the lens, in the form of kinematic measurements, is needed to ensure a precise and unbiased inference. Traditionally, such kinematic information has been included in the inference after the image modeling, using spherical Jeans approximations to match the measured velocity dispersion integrated within an aperture. However, as spatially resolved kinematic measurements become available via IFU data, more sophisticated dynamical modeling is necessary. Such kinematic modeling is expensive, and constitutes a computational bottleneck that we aim to overcome with our Stellar Kinematics Neural Network (SKiNN). SKiNN emulates axisymmetric modeling using a neural network, quickly synthesizing from a given mass model a kinematic map that can be compared to the observations to evaluate a likelihood. With a joint lensing plus kinematic framework, this likelihood constrains the mass model at the same time as the imaging data. We show that SKiNN’s emulation of a kinematic map is accurate to a considerably better precision than can be measured (better than 1% in almost all cases). Using SKiNN speeds up the likelihood evaluation by a factor of ~200. This speedup makes dynamical modeling economical, and enables lens modelers to make effective use of modern data quality in the JWST era. More precisely, this dataset contains the training data described in section 3.1 of the paper and the resulting weights to use the SKiNN after training. The training data (4000 pairs) consist a parameters.npy file, that is sets of parameters - describing the PEMD mass, the elliptcial sersic light and the kinematics parameters - and a vrms_maps.npy file containing the corresponding kinematic map - created using the JAM software and the MGE method. The weights is a single file weights.ckpt which needs to be imported as described in the setup of SKiNN to enable the creation of a kinematic map from a set of parameters describing the galaxy properties. NB: the parameters are ordered as following: q_mass (axis ratio of the mass profile), q_light (axis ratio of the light profile), theta_E (Einstein radius), n_sersic (Sersic index of the light), R_sersic (Sersic radius of the light), r_core (Core radius set to 0.08 arcsec, see paper section 3.1 for more information), gamma (mass profile slope), b_ani (anisotropy), i (inclination)." @default.
• YCYZG7 description "Deze dataset bevat ruwe gegevens die worden gebruikt voor statistische analyses van onze studie "Interval excentric cycling: een veelbelovende opleidingsmodaliteit voor zittende mensen" die nog in het proces van indiening bij het EJAP zit. Deze studie was gericht op het vergelijken van de effecten van 3 trainingsprotocollen (HIIT excentrisch fietsen, HIIT concentrisch fietsen, matige intensiteit excentrisch fietsen) op functionele capaciteiten, bij 43 zittende vrijwilligers (>50yo). We analyseerden ook de metabolische respons tijdens elke trainingssessie. U vindt ruwe gegevens van functionele parameters die aan het begin en einde van het onderzoek zijn verzameld. U zult ook ruwe gegevens vinden van de metabole respons van onze vrijwilligers tijdens het 12 weken durende trainingsprogramma dat ze moesten uitvoeren." @default.
• YCYZG7 description "Dieser Datensatz enthält Rohdaten, die für statistische Analysen unserer Studie "Interval eccentric cycling : eine vielversprechende Ausbildungsmodalität für sesshafte Menschen", die sich noch im Prozess der Vorlage im EJAP befindet. Diese Studie zielte darauf ab, die Auswirkungen von 3 Trainingsprotokollen (HIIT exzentrisches Radfahren, HIIT konzentrisches Radfahren, exzentrisches Radfahren mittlerer Intensität) auf die funktionellen Fähigkeiten bei 43 sitzenden Freiwilligen (> 50yo) zu vergleichen. Wir analysierten auch die metabolische Reaktion während jeder Trainingseinheit. Sie finden Rohdaten von Funktionsparametern, die zu Beginn und am Ende der Studie erhoben wurden. Sie finden auch Rohdaten über die metabolische Reaktion unserer Freiwilligen während des 12-wöchigen Trainingsprogramms, das sie durchlaufen mussten." @default.
• YCYZG7 description "These dataset contains raw data used for statistical analyses of our study "Interval eccentric cycling : a promising training modality for sedentary people" still in the process of submission in the EJAP. This study aimed to compare the effects of 3 training protocols (HIIT eccentric cycling, HIIT concentric cycling, moderate intensity eccentric cycling) on functional capacities, in 43 sedentary volunteers (>50yo). We also analyzed the metabolic response during each training session. You will find raw data of functional parameters which were collected at the beginning and end of the study. You will also find raw data of the metabolic response of our volunteers during the 12 weeks training program they had to perfom." @default.
• YCYZG7 description "These dataset contains raw data used for statistical analyses of our study "Interval eccentric cycling : a promising training modality for sedentary people" still in the process of submission in the EJAP. This study aimed to compare the effects of 3 training protocols (HIIT eccentric cycling, HIIT concentric cycling, moderate intensity eccentric cycling) on functional capacities, in 43 sedentary volunteers (>50yo). We also analyzed the metabolic response during each training session. You will find raw data of functional parameters which were collected at the beginning and end of the study. You will also find raw data of the metabolic response of our volunteers during the 12 weeks training program they had to perfom." @default.
• bbfae419aac962de1a44d9bc9b01ec2096199071 description "accessPoint" @default.
• 32a0ffb5a0382b220f80e07b42242cbc0340259b description "http://www.opengis.net/def/crs/EPSG/0/3035" @default.
• 47586b0c589e59a2f6ef35b8899503172fb4d763 description "INSPIRE - Raadpleegdienst - Menselijke gezondheid en veiligheid" @default.
• 47586b0c589e59a2f6ef35b8899503172fb4d763 description "INSPIRE - Service de visualisation - Santé et sécurité des personnes" @default.
• 47586b0c589e59a2f6ef35b8899503172fb4d763 description "INSPIRE - View service - Human health and safety" @default.
• 7cbb9854773524fada539470b7ae3220e56e6f66 description "Download link for the dataset (geopackage)" @default.
• 7cbb9854773524fada539470b7ae3220e56e6f66 description "Downloadlink van de dataset (geopackage)" @default.
• 7cbb9854773524fada539470b7ae3220e56e6f66 description "Lien de téléchargement du jeu de données (geopackage)" @default.
• 93bac6c24c7f9ea13614dd3bdefff5070e9e27eb description "accessPoint" @default.
• 16ab32bd772c1db0e7ac8718b48359d088b4dbe7 description "Raadpleegdienst" @default.
• 16ab32bd772c1db0e7ac8718b48359d088b4dbe7 description "Service de visualisation" @default.
• 16ab32bd772c1db0e7ac8718b48359d088b4dbe7 description "View service" @default.
• 041a3932083541fa9ffcd6e57104ce0733ec8c23 description "Tiled view service" @default.
• 1a735188908fb2a3ddf3f04dc70dd8ce97f0c940 description "Download link for the dataset" @default.
• 1a735188908fb2a3ddf3f04dc70dd8ce97f0c940 description "Downloadlink van de dataset" @default.
• 1a735188908fb2a3ddf3f04dc70dd8ce97f0c940 description "Lien de téléchargement du jeu de données" @default.
• 6871a4afb1df2ee98ac1edd229cab44d28b7a648 description "Raadpleegdienst (WMS) van de INSPIRE-conforme gegevens van de monitoring van de biologische kwaliteit van het oppervlaktewater" @default.
• 6871a4afb1df2ee98ac1edd229cab44d28b7a648 description "Service de visualisation (WMS) des données conformes INSPIRE du réseau de surveillance de la qualité biologique des eaux de surface" @default.
• 6871a4afb1df2ee98ac1edd229cab44d28b7a648 description "View service (WMS) of INSPIRE-compliant data of monitoring network of the biological quality for surface waters" @default.
• 12fc8973faee6d2925f9ade198a385e6378b3280 description "Raadpleegdienst (WMS) van de INSPIRE-conforme gegevens van de voorlopige overstromingsrisicobeoordeling voor historische overstromingen" @default.
• 12fc8973faee6d2925f9ade198a385e6378b3280 description "Service de visualisation (WMS) des données conformes INSPIRE de l'évaluation préliminaire des risques d'inondation pour les événements passés" @default.
• 12fc8973faee6d2925f9ade198a385e6378b3280 description "View service (WMS) of INSPIRE-compliant data of the preliminary flood risk assessment for past events" @default.
• d67243b9c3d9507a3a6b1db881a0496e5229910a description "Download link for the dataset" @default.
• d67243b9c3d9507a3a6b1db881a0496e5229910a description "Downloadlink van de dataset" @default.
• d67243b9c3d9507a3a6b1db881a0496e5229910a description "Lien de téléchargement du jeu de données" @default.
• 7407eabc104134623e886b2ec152a6bab1cc7e59 description "Grondwaterlichamen" @default.
• 7407eabc104134623e886b2ec152a6bab1cc7e59 description "Groundwaterbodies" @default.
• 7407eabc104134623e886b2ec152a6bab1cc7e59 description "Masses d'eau souterraines" @default.
• 9ec233f4c7f47912e814bad7f012be142aa437b9 description "Download link for the dataset" @default.
• 9ec233f4c7f47912e814bad7f012be142aa437b9 description "Downloadlink van de dataset" @default.
• 9ec233f4c7f47912e814bad7f012be142aa437b9 description "Lien de téléchargement du jeu de données" @default.
• 050669687c8431ed91e57694c5ec6cacab16b709 description "Vous trouverez un aperçu de la situation des finances publiques de la Région bruxelloise : les recettes et dépenses du Service public régional de Bruxelles (ex- Ministère de la Région de Bruxelles-Capitale), mais également des pouvoirs locaux et des organismes para-régionaux ainsi que des statistiques quant à l’encours de la dette de la Région." @default.
• 050669687c8431ed91e57694c5ec6cacab16b709 description "Vous trouverez un aperçu de la situation des finances publiques de la Région bruxelloise : les recettes et dépenses du Service public régional de Bruxelles (ex- Ministère de la Région de Bruxelles-Capitale), mais également des pouvoirs locaux et des organismes para-régionaux ainsi que des statistiques quant à l’encours de la dette de la Région." @default.
• 050669687c8431ed91e57694c5ec6cacab16b709 description "Vous trouverez un aperçu de la situation des finances publiques de la Région bruxelloise : les recettes et dépenses du Service public régional de Bruxelles (ex- Ministère de la Région de Bruxelles-Capitale), mais également des pouvoirs locaux et des organismes para-régionaux ainsi que des statistiques quant à l’encours de la dette de la Région." @default.
• 7fffaf0124053d2f27ae808db67f209d1b0addac description "You will find an overview of public finance in the Brussels Region: the revenue and expenditure of the Brussels Regional Public Service, the local authorities and para-regional bodies, and the statistics on the outstanding debt of the Region." @default.
• 7fffaf0124053d2f27ae808db67f209d1b0addac description "You will find an overview of public finance in the Brussels Region: the revenue and expenditure of the Brussels Regional Public Service, the local authorities and para-regional bodies, and the statistics on the outstanding debt of the Region." @default.
• 7fffaf0124053d2f27ae808db67f209d1b0addac description "You will find an overview of public finance in the Brussels Region: the revenue and expenditure of the Brussels Regional Public Service, the local authorities and para-regional bodies, and the statistics on the outstanding debt of the Region." @default.
• ef4f41001ea06b47c547429241508010dec916ab description "U vindt een overzicht van de toestand van de overheidsfinanciën van het Brussels Gewest: de ontvangsten en uitgaven van de gewestelijke overheidsdienst Brussel (ex-Ministerie van het Brussels Hoofdstedelijk Gewest), maar ook van de plaatselijke besturen en de pararegionale instellingen, alsook statistieken over de uitstaande schuld van het Gewest." @default.
• ef4f41001ea06b47c547429241508010dec916ab description "U vindt een overzicht van de toestand van de overheidsfinanciën van het Brussels Gewest: de ontvangsten en uitgaven van de gewestelijke overheidsdienst Brussel (ex-Ministerie van het Brussels Hoofdstedelijk Gewest), maar ook van de plaatselijke besturen en de pararegionale instellingen, alsook statistieken over de uitstaande schuld van het Gewest." @default.
• ef4f41001ea06b47c547429241508010dec916ab description "U vindt een overzicht van de toestand van de overheidsfinanciën van het Brussels Gewest: de ontvangsten en uitgaven van de gewestelijke overheidsdienst Brussel (ex-Ministerie van het Brussels Hoofdstedelijk Gewest), maar ook van de plaatselijke besturen en de pararegionale instellingen, alsook statistieken over de uitstaande schuld van het Gewest." @default.
• 8ad3d20da8d7b597e4afd1ca9121966f14e85354 description "Lien WMS-service" @default.
• 8ad3d20da8d7b597e4afd1ca9121966f14e85354 description "Link WMS-service" @default.
• 8ad3d20da8d7b597e4afd1ca9121966f14e85354 description "Link WMS-service" @default.
• c102b056af855ee69b0ca538c7a3cd3e211d23f4 description "Lien WFS-service" @default.
• c102b056af855ee69b0ca538c7a3cd3e211d23f4 description "Link WFS-service" @default.
• c102b056af855ee69b0ca538c7a3cd3e211d23f4 description "Link WFS-service" @default.
• e37965f4d8451e2b5e7fab493b3be6f4d4dd7a53 description "Dynamisch Route-informatiepaneel (DRIP)" @default.
• e37965f4d8451e2b5e7fab493b3be6f4d4dd7a53 description "Panneaux à Messages Variables (PMV)" @default.
• e37965f4d8451e2b5e7fab493b3be6f4d4dd7a53 description "Panneaux à Messages Variables (PMV)" @default.
• 0759d3a451d70bf8d8d36e2497c63aae58bb1023 description "Ce thème délivre de nombreuses informations sur l’occupation du sol, les caractéristiques du bâti existant et les ventes immobilières notamment." @default.
• 0759d3a451d70bf8d8d36e2497c63aae58bb1023 description "Ce thème délivre de nombreuses informations sur l’occupation du sol, les caractéristiques du bâti existant et les ventes immobilières notamment." @default.
• 0759d3a451d70bf8d8d36e2497c63aae58bb1023 description "Ce thème délivre de nombreuses informations sur l’occupation du sol, les caractéristiques du bâti existant et les ventes immobilières notamment." @default.
• ddda05f527fbc1d17a454e9c64948632f388ee9e description "This section provides a wealth of information, for instance on land occupancy, the characteristics of existing constructions and real estate sales." @default.
• ddda05f527fbc1d17a454e9c64948632f388ee9e description "This section provides a wealth of information, for instance on land occupancy, the characteristics of existing constructions and real estate sales." @default.
• ddda05f527fbc1d17a454e9c64948632f388ee9e description "This section provides a wealth of information, for instance on land occupancy, the characteristics of existing constructions and real estate sales." @default.
• f528988430878933158da199a0eeaac4fa426877 description "Dit thema biedt zeer uitgebreide informatie over de bodembezetting, de kenmerken van de bestaande bebouwde oppervlakte en de verkoop van vastgoed." @default.
• f528988430878933158da199a0eeaac4fa426877 description "Dit thema biedt zeer uitgebreide informatie over de bodembezetting, de kenmerken van de bestaande bebouwde oppervlakte en de verkoop van vastgoed." @default.
• f528988430878933158da199a0eeaac4fa426877 description "Dit thema biedt zeer uitgebreide informatie over de bodembezetting, de kenmerken van de bestaande bebouwde oppervlakte en de verkoop van vastgoed." @default.
• 4b5634d415d4dac765abcc200043ea04f0012e5b description "Download link for the dataset" @default.
• 4b5634d415d4dac765abcc200043ea04f0012e5b description "Downloadlink van de dataset" @default.
• 4b5634d415d4dac765abcc200043ea04f0012e5b description "Lien de téléchargement du jeu de données" @default.
• 9ec0de582bdf56b6d4530d40126d6f7836ca527f description "Raadpleegdienst (WMS) van de INSPIRE-conforme gegevens van de lozingen van de waterzuiveringsstations" @default.
• 9ec0de582bdf56b6d4530d40126d6f7836ca527f description "Service de visualisation (WMS) des données conformes INSPIRE des points de rejet des stations d'épuration" @default.
• 9ec0de582bdf56b6d4530d40126d6f7836ca527f description "View service (WMS) of INSPIRE-compliant data of waste water treatment plants discharge points" @default.
• 0e6664eb9e558019b9c33de56c25187174e12cf0 description "WMS GetCapabilities - inspire_bm" @default.
• ca2e38f929ba86aecdf764dbf2297f1b44e90a34 description "http://www.opengis.net/def/crs/EPSG/0/3035" @default.
• 041a3932083541fa9ffcd6e57104ce0733ec8c23 description "Tiled view service" @default.
• 6eb22fdf0cd5bc0b98ec615f2583142ccef16271 description "Offre de stationnement en voirie devant accès carrossable" @default.
• 6eb22fdf0cd5bc0b98ec615f2583142ccef16271 description "On-street parking supply in front of access road" @default.
• 6eb22fdf0cd5bc0b98ec615f2583142ccef16271 description "Parkeeraanbod op de openbare weg voor inrij van eigendom" @default.
• 970afec6205455d6d46e8c4cc09291ed9373fcd5 description "Offre de stationnement en voirie devant accès carrossable" @default.
• 970afec6205455d6d46e8c4cc09291ed9373fcd5 description "On-street parking supply in front of access road" @default.
• 970afec6205455d6d46e8c4cc09291ed9373fcd5 description "Parkeeraanbod op de openbare weg voor inrij van eigendom" @default.
• b61bd8e6dfb24b45b72259fd96bb48f66b05281e description "Offre de stationnement en voirie devant accès carrossable" @default.
• b61bd8e6dfb24b45b72259fd96bb48f66b05281e description "On-street parking supply in front off access road" @default.
• b61bd8e6dfb24b45b72259fd96bb48f66b05281e description "Parkeeraanbod op de openbare weg voor inrij van eigendom" @default.
• 041a3932083541fa9ffcd6e57104ce0733ec8c23 description "Tiled view service" @default.
• ebb5155097318ddc99d3f524ccc26e5fefda5c28 description "accessPoint" @default.
• 16ab32bd772c1db0e7ac8718b48359d088b4dbe7 description "Raadpleegdienst" @default.
• 16ab32bd772c1db0e7ac8718b48359d088b4dbe7 description "Service de visualisation" @default.
• 16ab32bd772c1db0e7ac8718b48359d088b4dbe7 description "View service" @default.

• first
• previous
• next