Résumé
Les premiers modèles des effets de l’entrainement sur la performance athlétique sont connus sous le nom de modèles "Fitness-Fatigue" (FFM). Un inconvénient majeur des FFMs réside dans le fait qu’ils ne sont constitués que d’une seule donnée d’entrée, bien que la performance athlétique soit multifactorielle. Dès lors, des approches multivariées propres aux statistiques et à l’apprentissage automatique ont été proposées pour différentes applications sportives.La quantification de la charge d’entraînement (CE) pour l’entraînement en résistance constitue une problématique de recherche à part entière. Dans une première étude, nous avons proposé une nouvelle méthode de quantification de la CE en accord avec des réponses physiologiques multiples à l’effort. Après avoir modélisé les profils couple-vitesse chez les participants, nous avons évalué des réponses physiologiques lors de 3 sessions d’effort en résistance à intensités variées et de volume égal. Les hautes intensités ont entrainé une fatigue musculaire plus importante caractérisée par des altérations neuromusculaires. A l’inverse, la consommation d’oxygène ainsi que les modifications métaboliques étaient supérieures lors d’efforts de plus faible intensité, indiquant des contributions énergétiques différentes. Ainsi, nous avons proposé un indice de CE basé sur les altérations neuromusculaires observées à l’effort. Pondérer exponentiellement la CE par une constante de décroissance du taux d’augmentation de la force a montré de plus grandes corrélations avec les réponses physiologiques étudiées. Par ailleurs, l’information compressée de données multivariées dans une seule composante suite à analyse en composantes principales pourrait représenter un indice de CE.Dans la deuxième étude, nous avons proposé une méthodologie de modélisation basée sur la généralisation des modèles. Nous avons comparé un modèle dose- réponse à des procédures de régularisation et modèles d’apprentissage automatique multivariés chez des patineurs élites. Les modèles de régularisation ont montré de meilleures performances en termes de généralisation et de précision. De plus, des modèles construits sur l’ensemble du groupe plutôt que par athlète apparaissaient plus pertinents dans un contexte d’échantillons de petite taille. Enfin, des approches en apprentissage automatique telles que les méthodes d’apprentissage ensemblistes pourraient améliorer le pouvoir prédictif des FFMs.Dans la troisième étude, nous avons modélisé les profils accélération-vitesse à partir des mesures de systèmes de localisation par satellite (GPS), puis avons tenté de prédire les coefficients de la relation accélération-vitesse. Tout d’abord, des modèles de prévision de séries chronologiques ont constitué une base de modélisation. Nous les avons par la suite comparés à une régression linéaire régularisée et un réseau de neurones récurrents utilisant des variables propres au GPS. Enfin, nous avons extrait des variables directement à partir des données GPS brutes pour effectuer la tâche de prédiction. Aucune différence significative n’a été observée entre les modèles en termes de précision. Étant donné le caractère multifactoriel de la performance athlétique, les performances prédictives étaient acceptables. L’utilisation de données extraites des domaines temporels et fréquentiels à partir des signaux bruts a montré des performances comparables aux autres modèles. Les données brutes semblent donc avoir un intérêt et devraient être analysées pour des problématiques relatives à la performance athlétique et à la survenue de blessure.Enfin, nous avons développé un système de suivi de l’entrainement pour des coureurs de fond. L’application propose un module de suivi de l’entrainement et un modèle prédictif basé sur une modélisation physiologique de la performance en course à pied. Un second développement a été réalisé sous la solution SAP analytics cloud, produisant des rapports automatisés et un suivi de joueurs d’une équipe de Rugby.