Les indicateurs de fréquence cardiaque chez des footballeurs élites : vers une amélioration de la compréhension de la relation dose-réponse en utilisant les sciences des données.

Heart rate indices in elite soccer players: towards an improved appreciation of dose-response relationship using data sciences.

• Auteur / Autrice : Iwen Diouron
• Direction : Stéphane Perrey, Gérard Dray
• Type : Projet de thèse
• Discipline(s) : Sciences du Mouvement Humain - MPL
• Date : Inscription en doctorat le 01/11/2022
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Sciences du mouvement humain
• Partenaire(s) de recherche : Laboratoire : EuroMov Digital Health in Motion

Mots clés

Mots clés libres

Physiologie

Football

Monitoring

Fréquence cardiaque

Adaptations physiologiques

Machine learning

Physiology

Football

Monitoring

Heart rate

Physiological adaptations

Machine learning

Résumé

Depuis le début des années 2000, les joueurs de football élites font face à des contraintes physiques en continuelle augmentation (Barnes et al., 2014). Face à de tels changements, les staffs ont dû modifier et optimiser les processus d'entrainement actuels afin de garantir une forme physique optimale des joueurs tout en veillant à leur bonne santé (Soligard et al., 2016). En effet, l'application d'une telle charge de travail peut mener au développement d'états de fatigue (Carling et al., 2018 ; Thorpe et al., 2015 ; Thorpe et al., 2017) pouvant entrainer une diminution de la performance (Meeusen et al., 2013 ; Buchheit, 2014), et un risque de blessure accru (Dupont et al., 2010 ; Dellal et al., 2015). Au cours du processus d'entrainement, le monitoring permet au staff d'obtenir des informations caractérisant la dose appliquée au joueur, à travers deux construits principaux : la charge externe (i.e., actions motrices effectuées indépendamment des caractéristiques individuelles) et la charge interne (i.e., réponses psychophysiologiques individuelles) ; et à la réponse adaptative associée (i.e., relation dose-réponse) (Impellizzeri et al., 2019). L'implantation des capteurs embarqués miniaturisés (e.g., système de localisation par satellite (GPS), centrales inertielles) a permis au staff de mesurer les demandes locomotrices des joueurs en diminuant la contrainte technologique (i.e., acceptation des joueurs et des entraineurs, praticité d'utilisation, logistique). Malgré sa simplicité d'utilisation et d'analyse, il a été rapporté que les stratégies uniquement basées sur des indicateurs externes apportent une vision réductrice de la caractérisation de la relation dose-réponse (Impellizzeri et al., 2019). Parmi l'ensemble des mesures internes, la fréquence cardiaque (FC) (i.e., mesure témoin de l'activité du système cardiovasculaire) apparait comme l'outil le plus pratique et a montré une utilité pour renseigner sur la charge de travail (Bangsbo, 1994 ; Kurstrup et al., 2006 ; Mallo et al., 2015 ; Teixeira et al., 2020) comme sur la réponse adaptative (Buchheit, 2014 ; Bellenger et al., 2016) des joueurs de football. La mesure de FC est influencée par de nombreux paramètres allant des conditions météorologiques à l'état psychologique (Valentini et al., 2009 ; Halson, 2014)) rendant son analyse et l'interprétation de ses changements d'état complexe. Dès lors, la standardisation des protocoles est nécessaire. Cependant, la mise en place de stratégies de monitoring robustes est rendue difficile par l'environnement du football élite (e.g., complexité du calendrier, turnover des staffs). Récemment, des stratégies de monitoring dites invisibles utilisant les données récoltées durant l'entrainement ont été développées avec pour objectif de « tester sans tester » (Morin et al., 2021 ; Lacome et al., 2018). L'apport des sciences des données et plus particulièrement les méthodes d'apprentissage automatique a permis de donner une solution technique pour implémenter ces process (Lacome et al., 2018 ; Mandorino et al., 2024) et caractériser la relation dose-réponse (Imbach et al., 2022). Par conséquent, le but de ce projet est d'exploiter les multiples indicateurs dérivés de la FC mesurés chez des joueurs de football élites pour renseigner sur leurs adaptations physiologiques de manière invisible.

Since the beginning of the century, elite football players' physical demands have increased continuously (Barnes et al., 2014). Such changes led staff to modify and optimize their current training practices in order to ensure player's fitness and health (Soligard et al., 2016). Indeed, the application of such a training load can lead to high fatigue state (Carling et al., 2018; Thorpe et al., 2015; Thorpe et al., 2017) potentially leading to a decrease in performance (Meeusen et al., 2013; Buchheit, 2014) and a higher injury risk (Dupont et al., 2010; Dellal et al., 2015). Among the training processes, monitoring permits staffs to gain information regarding the dose applied to the players with two main constructs: external load (i.e., locomotor demands with no regard to individual characteristics) and internal load (i.e., individual psychophysiological responses); and the associated adaptative response (i.e., dose-response relationship) (Impellizzeri et al., 2019). These indicators can also be used to inform on the response. The implantation of embedded miniaturized sensors (e.g., global positioning system (GPS), inertial units) in teams has permitted practitioners to measure locomotor demands while reducing technological burden (i.e., player's and staff's acceptance, logistic, practicality). Despite its ease of use and the simplicity of its analysis, it has been reported that strategies only based on external load indicators may overlook some characteristics of the dose-response relationship (Impellizzeri et al., 2019). Among internal measures, the heart rate (HR) (i.e., surrogate measure of cardiovascular system activity) seems to be the most usable tool and has shown its usefulness in quantifying workload (Bangsbo, 1994; Kurstrup et al., 2006; Mallo et al., 2015; Teixeira et al., 2020) and adaptative response (Buchheit, 2014; Bellenger et al., 2016) of football players. HR is influenced by many variables from meteorological conditions to psychological state (Valentini et al., 2009; Halson, 2014) making the analysis and the interpretation of state change complex. Therefore, standardization of protocols is needed. However, robust processes are threatened by the elite football environment (e.g., congested fixture, staff turnovers, players' availability). Recently, practitioners developed invisible monitoring methods using training data with the aim to “test without testing” (Morin et al., 2021; Lacome et al., 2018). The contribution of data sciences and especially machine learning processes has permitted to give a technical solution to implement these invisible processes (Lacome et al., 2018; Mandorino et al., 2024) and characterize the dose-response relationship (Imbach et al., 2022). Consequently, the aim of this project is to exploit the multiple indicators derived from HR measured in elite football players to inform about physiological adaptations using invisible monitoring.