Modélisation des réponses aux charges d'entraînement pour guider la performance sportive.

par Frank Imbach

Projet de thèse en Sciences du Mouvement Humain - MPL

Sous la direction de Stéphane Perrey et de Robin Candau.

Thèses en préparation à Montpellier , dans le cadre de École doctorale Sciences du mouvement humain (Marseille) , en partenariat avec EuroMov (laboratoire) depuis le 01-10-2018 .


  • Résumé

    Les effets de l'entrainement sur la performance de l'athlète représentent une problématique centrale et complexe dans le sport de haut-niveau. La quantification des paramètres inhérents à l'effort, essentielle à l'optimisation de la performance par la détermination de l'effet dose-réponse est facilitée par le progrès technologique des équipements sportifs. Les recherches récentes (Foster et al., 2017) sont principalement dominées par des études de détermination de la charge externe via l'accessibilité de différents systèmes de mesure portables (GPS, centrales inertielles). Cependant, on observe un manque d'études longitudinales utilisant des mesures de la charge interne autres que la perception de la difficulté de l'effort. Une détermination plus complète de la charge interne permettrait aux entraîneurs et préparateurs physiques de mieux caractériser les implications de la charge externe sur la performance, majoritairement appréciée isolément. Par conséquent, la relation entre les charges externes et internes au niveau individuel reste à être explorée afin de mieux fixer et contrôler la charge d'entraînement. A partir de méthodes statistiques variées et approfondies au regard de modèles traditionnels tel que proposé par Banister et al. (1975), diverses modélisations des effets de l'entrainement sur la performance seront expérimentées avec (i) des modèles d'apprentissage (i.e. forêts aléatoires, réseaux de neurones artificiels), (ii) des modèles mixtes à inférence bayésienne offrant davantage d'intérêts pour étudier les relations entre la charge interne - charge externe dans certaines conditions et ainsi déterminer les variables explicatives d'une performance. Enfin, des simulations de la charge d'entrainement à partir de ces modèles pourraient guider les protocoles d'entrainement pour l'optimisation de la performance sportive.

  • Titre traduit

    Monitoring the effets of training loads to lead the sport performance


  • Résumé

    The training load effects are a complex problem in elite sports. The quantification of exercise parameters to determine the dose-response effect is carried out by the technological progress of sports equipment. Recent researches relate to a determination of the external training load through multiple portable measure systems (i.e. GPS, inertial sensors). However, there is a lack of longitudinal study using the internal load excepting the difficulty perceived exertion. A more complete determination of the internal load would lead to a better understanding of the implication of the external load on performance, commonly appreciated in isolation. Thus, the relationship between the internal and external loads needs to be explored to fix and control the training load. On the basis of various and in-depth statistical methods compared to traditional models such as developped by Banister et al. (1975), training effects models on performance are experimented with (i) machine learning models (i.e. random forest, artificial neural networks), (ii) bayesian mixed models giving more interest to examine the internal - external load relationship and to find out the explicatives variables of a performance. Finally, training load simulations upon these models would lead the training protocols to optimize the sport performance.