Modélisation des effets de l’entraînement : revue des différentes études

ARTICLE IN PRESSModele +SCISPO-2832; No. of Pages 11

Science & Sports (2014) xxx, xxx—xxx

Disponible en ligne sur

ScienceDirectwww.sciencedirect.com

MISE AU POINT

Modélisation des effets de l’entraînement :revue des différentes étudesModeling of training effects: Review of various studies

S. Morin ∗, S. Ahmaïdi, P.-M. Leprêtre

EA-3300, laboratoire de recherche adaptations physiologiques à l’exercice et réadaptation à l’effort,UFR-STAPS, université de Picardie Jules-Verne, campus universitaire Le Bailly, allée Paschal-Grousset,80025 Amiens cedex, France

Recu le 5 mai 2013 ; accepté le 8 novembre 2013

MOTS CLÉSCharged’entraînement ;Modèle ;Performance ;Effets del’entraînement ;Technologie

RésuméIntroduction. — Maîtriser les interactions entre entraînement et performance est la préoccupa-tion de tout entraîneur. Des modèles mathématiques existent pour décrire et prédire les effetsde l’entraînement sur la performance. Ils postulent que chaque séance augmente l’aptitude etla fatigue et que leur différence détermine le niveau de performance.Actualités. — Bien qu’existent plusieurs méthodes de quantification de la charged’entraînement, son calcul consensuel se définit comme le produit du volume et del’intensité. Les différences se situent dans le choix des marqueurs. Malgré des années derecherche, aucun marqueur unique n’a pu être identifié, tant pour l’aptitude que pour lafatigue, rendant difficile la prédiction du niveau de performance d’un athlète.Perspectives et projets. — L’évolution continue de l’électronique et des objets communicantspeut permettre d’augmenter la quantité de marqueurs quantitatifs et qualitatifs commele nombre de données nécessaires à la conception et au calibrage individuel des modèles.L’objectif ne serait pas tant de prédire la performance maximale d’un athlète à un momentdonné que de déterminer sa capacité de performance en tant que probabilité de pouvoir réaliserun haut niveau de performance.Conclusion. — L’objectif serait de définir une capacité individuelle d’adaptation globale à
l’entraînement pour déterminer des seuils et des stratégies de distribution optimales de la
nage, surentraînement et blessure.
charge, afin d’éviter surme
Pour citer cet article : Morin S, et al. Modélisation des effets de l’entraînement : revue des différentes études. Sci sports(2014), http://dx.doi.org/10.1016/j.scispo.2013.11.003

© 2014 Elsevier Masson SAS. Tous droits réservés.

∗ Auteur correspondant.Adresse e-mail : [email protected] (S. Morin).

http://dx.doi.org/10.1016/j.scispo.2013.11.0030765-1597/© 2014 Elsevier Masson SAS. Tous droits réservés.

dx.doi.org/10.1016/j.scispo.2013.11.003


http://www.sciencedirect.com/science/journal/07651597

mailto:[email protected]



2 S. Morin et al.

KEYWORDSTraining load;Model;Performance;Training effects;Technology

SummaryIntroduction. — Controlling interactions between training and performance is the concern ofevery coach. Mathematical models exist to describe and predict the effects of training on per-formance. They assume that each session increases the ability and fatigue, and their differencedetermines the level of performance.Topics. — Although several methods exist to quantify training load, the consensus calculation isdefined as the product of volume and intensity. The differences are found at markers. Despiteyears of research, no single marker of fitness, of fatigue could be identified to predict theperformance.Future prospects. — The continuing evolution of electronic and communication devices canincrease the amount of quantitative and qualitative markers as the number of data required forthe design and calibration of individual models. The aim is not so much to predict the maximumperformance of an athlete at a given moment to determine its performance capacity as likelyto be able to achieve a high level of performance.Conclusion. — The aim would be to define an individual overall adaptive capacity in trainingto determine thresholds and optimum strategies to periodize training load in order to avoidovereaching, overtraining and injury.© 2014 Elsevier Masson SAS. All rights reserved.

1

Lctàq[rripnpcmqrcae

ddfddIltdpclddld

t

oddudssdcltpsàcPqpàdqce

2d

LcEeceàesont mobilisées les capacités, et des comportements et

. Introduction

es effets de l’entraînement sur la performance sontomplexes à mesurer et constituent une des probléma-iques majeures de l’entraînement. L’aptitude d’un sportif

accomplir des performances de haut niveau est la consé-uence d’un long processus d’adaptation à l’entraînement1]. L’efficacité d’une périodisation de l’entraînementepose sur des principes de charge/décharge, souvent empi-iques, exposant le sportif à des contraintes toujours plusmportantes. Relativement simple pour le débutant, laériodisation de l’entraînement se complexifie avec leiveau d’expertise du sportif. En effet, plus le niveau deratique sera élevé, plus le sportif devra supporter desharges d’entraînement conséquentes [2], visibles notam-ent à travers la multiplication du nombre de séancesuotidiennes et hebdomadaires [3]. Si le principal effetecherché est le gain de performance, l’augmentation de laharge d’entraînement expose également le sportif expertux risques de blessures, de surmenage et, dans les casxtrêmes, de surentraînement [4].

Quantifier la charge d’entraînement semble donc’autant plus important qu’il s’agit pour l’entraîneur’amener le ou les sportifs dont il a la charge à leur pic deorme aux moments choisis ; la quantification de la charge’entraînement participant alors à la maîtrise et à la pré-iction des adaptations du sportif à l’entraînement [5].l est donc nécessaire d’y intégrer les interactions entrees successions de périodes de préparation, de compéti-ions, de récupération et/ou de convalescence et donce tenir compte de la structuration calendaire des com-étitions. En effet, compte tenu des caractéristiques desalendriers des différents sports individuels et collectifs, de’évolution des enjeux en cours d’année (accession à uneivision supérieure, maintien ou rétrogradation dans uneivision inférieure), il est intéressant de s’interroger sura pertinence des méthodes de quantification de la charge

Pour citer cet article : Morin S, et al. Modélisation des effets d(2014), http://dx.doi.org/10.1016/j.scispo.2013.11.003

’entraînement.Cette revue de la littérature scientifique a comme objec-

if d’offrir une évaluation critique d’un ensemble d’articles

plg

riginaux indexés dans la base de données Medline et’ouvrages liés à la charge d’entraînement. Il sera énoncé,ans un premier temps, le paradigme commun aux méthodessuelles et reconnues scientifiquement de quantificatione la charge d’entraînement, méthodes qui seront, par lauite, présentées de la manière la plus exhaustive pos-ible. S’il paraît difficile d’appliquer, pour une pratiquee haut niveau, un seul et même modèle de quantifi-ation aux différents sports, il conviendra de développeres apports et limites des différents modèles pour mon-rer leur adéquation à une, à plusieurs ou à toutes lesratiques sportives compétitives de haut niveau. Enfin ilera proposé un certain nombre de recommandations quant

l’utilisation et l’optimisation de la quantification de laharge d’entraînement chez des sportifs de haut niveau.our des niveaux similaires de performance, il est supposéue le nombre et les différentes durées des périodes de com-étitions (c’est-à-dire, de quelques semaines en athlétisme

plusieurs mois pour les sports collectifs), et des périodese préparation nécessitent un ajustement du modèle deuantification de la charge d’entraînement par la prise enompte et la pondération de différents marqueurs objectifst subjectifs évalués.

. Paradigme de la quantification de la charge’entraînement

a charge d’entraînement est un concept qui représentee que coûte l’activité pour le sportif qui la pratique.lle est traditionnellement plus centrée sur l’activité,xprimée en intensité et en durée, que sur le sportif,e qui fait qu’elle est une mesure objective. Toutefois,lle n’est pas une caractéristique uniquement inhérente

l’exercice, mais plutôt le résultat de l’interaction desxigences de l’activité, des circonstances dans lesquelles

e l’entraînement : revue des différentes études. Sci sports

erceptions du sportif. La charge d’entraînement est donc’expression de l’activité du sportif confronté aux exi-ences de l’entraînement. Elle correspond à l’activité


IN PRESSModele +

3

Fl

cnpdrl

cpcsgrfe

3p

LdccdLoe

tàpombdtqma

fe(

tielles de premier ordre : l’aptitude et la fatigue. Une

ARTICLESCISPO-2832; No. of Pages 11

Modélisation des effets de l’entraînement

réelle du sportif et peut donc aussi être une mesuresubjective.

La notion de charge d’entraînement nécessite d’êtreprécisée, tant elle constitue le socle de la périodisationde l’entraînement qui vise à pouvoir maîtriser et prédireles adaptations potentielles aux différents entraînements,à gérer les interactions entre les périodes de préparationet les périodes de compétition. Elle permet de définir deslimites de sous charge, c’est-à-dire lorsque le sportif nes’entraîne pas suffisamment pour maintenir son niveau deperformance. Mais elle permet surtout de définir des limitesde surcharge, c’est-à-dire lorsque les capacités du sportifsont dépassées par le coût que représente l’entraînement etque son état de fraîcheur aux entraînements suivants s’entrouve influencé plus ou moins fortement. Cela conduit às’interroger sur le niveau optimal de charge spécifique àchaque sportif.

Associée à la notion de coût, la fatigue s’objective, àterme, par une dégradation du niveau de performance.Elle concerne aussi bien le potentiel énergétique et neu-romusculaire que les aspects subjectifs tels que le stressou la motivation, notamment. La fatigue est une consé-quence à court, moyen et long terme d’un entraînements’exprimant par des symptômes objectifs et subjectifs :fluctuations des performances, signes physiologiques d’undéséquilibre homéostasique, modifications de l’humeur. Lacharge d’entraînement peut alors être envisagée commel’effort que fait le sportif pour répondre aux exigences del’entraînement, ce qui implique une évaluation de l’effortquant à la mobilisation de ses capacités et de la motivationpour faire cet effort.

Elle est donc influencée par les paramètres del’entraînement comme la durée, l’intensité, la récupéra-tion et la fréquence des entraînements, mais aussi par leseffets différés des entraînements précédents et les limitespropres du sportif, c’est-à-dire ses caractéristiques mor-phologiques, biologiques, et psychoaffectives. Dans cetteperspective, Verchoschanskii [1] la définit comme la mesurequantitative et qualitative du travail d’entraînement. Elleest alors le plus souvent définie comme le produit d’unedurée d’effort et de son intensité. En fonction des exigencesdes différents sports, toute la problématique se situe dans lechoix de marqueurs emblématiques permettant une régula-tion efficace de la charge tout au long de la saison sportive.Se pose alors le problème de la normalisation des chargesd’entraînement d’activités physiques aux caractéristiquesénergétiques, neuromusculaires et psychoaffectives diffé-rentes, et cela conduit à les transformer le plus souventen unités arbitraires. Il existe différentes méthodes clas-sées en deux catégories principales : les méthodes baséessur les données physiologiques et les méthodes basées surles données subjectives.

Les premières représentent des mesures essentiellementquantitatives. La principale difficulté réside dans le fait qu’ilest difficile d’établir une relation de cause à effet directe etexclusive entre charge d’entraînement et données physiolo-giques. La réponse des indicateurs physiologiques peut êtreaussi quelque peu déphasée par rapport aux entraînementset ces mesures peuvent également être coûteuses à obtenir

Pour citer cet article : Morin S, et al. Modélisation des effets de(2014), http://dx.doi.org/10.1016/j.scispo.2013.11.003

sur le terrain.Les secondes représentent des mesures qualitatives

qui consistent à demander au sportif d’évaluer lui-même

ali

igure 1 Modèle biocybernétique des effets de’entraînement.

ertains paramètres au moment ou il effectue un entraî-ement ou tout de suite après. Elles ont pour qualitéremière d’être adaptables aux différents environnements’entraînement et d’être peu coûteuses. Les données mesu-ées varient sensiblement suivant le sportif et l’instant dea collecte.

Bien que complexes, les recherches sur la notion deharge d’entraînement sont d’un intérêt majeur pour laériodisation de l’entraînement pour aider les entraîneursonfrontés à de multiples incertitudes, entre périodisationcientifique rigide et périodisation empirique, entre exi-ences de fortes charges d’entraînement et exigences deécupération, avec comme alternatives possibles à une per-ormance de haut niveau, le surmenage, le surentraînementt la blessure.

. Modèles des effets de l’entraînement sur laerformance

a très grande majorité des recherches sur les effetse l’entraînement s’inscrivent dans celles des travaux enybernétique qui consistent à considérer le corps humainomme un système autorégulé. Il ne s’agit pas tante s’intéresser aux composants qu’à leurs interactions.’élément central est une « boîte noire » complexe dontn déduit la fonction apparente à partir de l’étude de sesntrées et sorties (Fig. 1).

Tous les modèles utilisent les fonctions de transfert pourenter de représenter les relations entre le récepteur (c’est--dire, les entraînements) et l’émetteur (c’est-à-dire, laerformance). Des équations différentielles de différentsrdres sont utilisées pour construire des modèles mathé-atiques des phénomènes biologiques. Dans un modèleiocybernétique, le principe est de considérer que les effetse l’entraînement sont un état non définitif des interac-ions entre les différents facteurs exogènes et endogènes etu’elles sont variables dans le temps. Ce qui signifie qu’uneême séance d’entraînement ne produit pas les mêmes

daptations chez un même sportif à différentes périodes.Banister et al. [6] et Calvert et al. [7] sont les premiers à

ormaliser un modèle qui relia à instant t entraînement w(t),t performance p(t), sur tout le processus d’entraînementFig. 2).

Leur modèle est composé de deux équations différen-

l’entraînement : revue des différentes études. Sci sports

ugmentation du niveau d’aptitude influence positivemente niveau de performance alors qu’inversement elle estnfluencée négativement par l’augmentation du niveau de


ARTICLE INModele +SCISPO-2832; No. of Pages 11

4

FC

fdflner

p

ocda

[mcfdtppqrq

ndepeledct

P

N

pqfmvsscl

lLgdpDi

I

cLaàpp

N

P

o

ecptc[

t

dnc[md(ppvmCpcaqq

lpsn

igure 2 Modèle à deux composantes, Banister et al. [6] etalvert [7].

atigue. Dans cette matrice de transfert à trois paramètres,eux portent sur le niveau d’aptitude et un sur le niveau deatigue. Un produit de convolution de deux fonctions estimee niveau de performance comme le produit d’un entraî-ement et d’un élément filtrant de premier ordre de typexponentiel qui vise à simuler la cinétique de dissipationetrouvée chez certains marqueurs biologiques humains.

(t) =[(

e−t�1 − e

−t�2

)− Ke

−t�3

]× w (t) (1)

ù p(t) est le niveau de performance au jour t. w(t) est laharge d’entraînement au jour t. �1, �2 sont les constantese temps associées à l’aptitude. �3 est la constante de tempsssociée à la fatigue et K (=2,0) le coefficient de fatigue.

Ce modèle a été utilisé dans des recherches sur la course4], la natation [6,8], l’haltérophilie [9], ou le lancer dearteau [10]. Morton et al. [8,11] le simplifient en ne

onservant qu’un paramètre d’aptitude et un paramètre deatigue et, mais y intègrent la durée de la récupération entreeux séances. Chaque composant est pondéré par une cons-ante, respectivement k1 et k2, qui n’a aucun fondementhysiologique, mais ajuste le modèle aux caractéristiquesersonnelles du sportif. Une valeur importante de k2 indiqueue le sportif a besoin de beaucoup de temps pour récupé-er. Inversement, un sportif avec un k1 élevé est un sportifui récupère relativement rapidement.

Confirmant qu’un modèle à deux composants antago-istes procure une bonne représentation des variationse performance, Busso et al. [12] notent que l’erreurntre la performance actuelle et la performance préditeeut atteindre 4 % en considérant les fonctions positivet négative comme l’accumulation des entraînements, etes influences positive et négative comme l’impact de cesntraînements. Dans cette modélisation, les paramètres’aptitude et de fatigue sont récursivement calculés àhaque séance. La fonction positive (PF) et la fonction néga-ive (NF) sont estimées par :

Fn = p∗ + k1

n−1∑i=1

wie−(n−1)/�1 (2)

Fn = k2

n−1∑i=1

wie−(n−1)/�2 (3)

Durant cette même période, Busso et al. [9] testentlusieurs modélisations et notent, dans un premier temps,ue chez des sujets non entraînés un modèle à uneonction (effets positifs sur la performance) permet deettre en relation de manière significative (p < 0,001) les

ariations de performance et les charges d’entraînement


uccessives. La fonction de fatigue n’améliore la préci-ion du modèle que pour deux sujets sur les huit. Ilsherchent ensuite [9,13] à intégrer les effets cumulés de’entraînement en utilisant un paramètre de pondération de

bléf

PRESSS. Morin et al.

a charge d’entraînement qui décroît exponentiellement.e poids des jours d’entraînement est d’un facteur plusrand que la valeur qui le précède, ce qui donne plus’importance aux entraînements récents, sans jamais sup-rimer complètement l’effet des valeurs plus anciennes.ans leur étude, l’influence de l’entraînement (I) au jour

sur la performance au jour n (I(i/n)) est estimée par :

(i/n) = k1wie−(n−1)/�1 − k2wie−(n−1)/�2 (4)

Les influences positive (PInf) et négative (NInf) sont disso-iées afin de déterminer des profils d’aptitude et de fatigue.a baisse de la performance à la fin de l’entraînement estttribuée à la fatigue et son amélioration les jours suivants

l’aptitude. L’influence négative de l’entraînement sur laerformance est alors la somme des influences négativesour l’ensemble de la période au jour n.

InFn =n−1∑i=1

∣∣I (i/n)∣∣ (5)

L’influence positive au jour n est estimée par :

Infn = p + NInfn (6)

ù est la performance estimée au jour n.En utilisant les coefficients t1, t2, k1 et k2, Fitz-Clarke

t al. [14] déterminent la durée de la période précédant uneompétition avant laquelle on doit réduire l’entraînementour maximaliser la performance. Avec les données de Mor-on et al., ils trouvent une durée de 15,8 ± 6,5 jours avant laompétition ce qui correspond à la littérature sur l’affûtage15].

g = �1�2

�1 − �21n

k2�1

k1�2(7)

Busso et al. mettent en évidence en étudiant tn que laurée de la période de récupération pour retrouver un boniveau de performance est dépendante non seulement de laharge [13], mais aussi de la fréquence des entraînements3]. L’augmentation de la fréquence conduit à une aug-entation significative du temps de récupération. Il variee 0,9 ± 2,1 jours pour l’entraînement à basse fréquencetrois entraînements par semaine) à 3,6 jours ± 2,0 joursour l’entraînement à haute fréquence (cinq entraînementsar semaines). Cela les conduit à utiliser des paramètresariant avec le temps, c’est-à-dire à recalculer les para-ètres à chaque fois qu’un nouvel entraînement est saisi.ela améliore significativement la précision du modèle. Lesaramètres k1, k2 et t2 semblent être les plus sensibles auxhangements d’intensité des exercices. Ce qui correspondux constats faits par Fitz-Clarke et al. [14] qui montrentu’une variation de 10 % de t1 influence trois fois moins tn

u’une variation de 10 % de k1, k2 et t2.Au début des années 2000, Perl et al. [16,17] déve-

oppent le métamodèle « PerPot » (performance-potential)our décrire et analyser le phénomène des adaptations phy-iologiques, notamment la surcompensation. Il intègre uneotion de limite, absente des autres modèles (Fig. 3).

Le modèle est dynamiquement contrôlé par deux varia-


les qui influencent positivement (RP) et négativement (SP)a performance. Ces deux variables dépendent de manièregale de l’entraînement et influencent la performance deacon antagoniste, en fonction des cinétiques des influences




aa

gaenbl

m0r7cbla

lndlledqcpdso

lrcsiilidmlfmtd

Figure 3 Structure antagoniste avec surcharge du métamo-dèle performance-potentiel (PerPot), Perl [17].

négative (DS) et positive (DR). Si le potentiel de contrainteatteint sa limite supérieure, un délai surcharge (DSO) seproduit, qui réduit le potentiel de performance, ce quipeut dans des cas extrêmes conduire au surentraînement.Torrents et al. [18] montrent que le modèle PerPot estaussi précis que le modèle « Fitness-Fatigue », avec un écartmoyen relatif de 5,06 à 10,62 %. L’intérêt majeur du méta-modèle PerPot par rapport aux autres modèles est qu’ilest borné, que les variables ont une capacité limitée. Celapermet de modéliser les phénomènes de surmenage et desurentraînement.

À la même période, Hohmann et al. [19] démontrent queles effets de l’entraînement sur la performance peuventêtre modélisés par la méthode mathématique non linéairedes réseaux de neurones à rétro propagation et qu’elle peutprédire les performances en compétition chez des nageurs(Fig. 4).

Le principe est de considérer que les effets del’entraînement sont aussi dans une certaine mesure lerésultat d’influences endogènes (morphologie, âge, sexe,horloges biologiques). Si le niveau des performances d’unsportif change, sa capacité de réponse à l’entraînementchange aussi. Un des avantages majeurs est qu’il n’ya pas besoin de transformer les données originalesd’entraînement en unités arbitraires et qu’il permet demodéliser les transformations linéaires et non linéaires liéesà l’entraînement. Banister et Calvert [20] déclarent eneffet que compte tenu de l’utilisation de fonction de trans-fert, son modèle n’est stable que pour des périodes nedépassant pas 60 à 90 jours et qu’il faut ensuite redéfi-nir les constantes individuelles. L’intérêt le plus important


du modèle non linéaire des adaptations à l’entraînementde Hohmann et al. [19] est que malgré l’influence del’entraînement l’organisme tend à rechercher un certainniveau de stabilité. En ce sens, le réseau de neurones peut

Figure 4 Concepts linéaire (a) et non linéaire (b) del’adaptation à l’entraînement, Hohmann [19].

p

•

•

•

tl

PRESS5

insi aider à identifier les zones optimales de charges pourtteindre un niveau optimal de performance.

Une étude de Edelmann-nusser et al. [21] confirme la trèsrande précision de la prédiction de performance réaliséevec un réseau de neurones artificiels. L’erreur de prédictionst de 0,05 secondes sur un temps total de 2′12′′64 pour uneageuse de 200 mètres brasse de niveau olympique en seasant sur les quatre semaines d’entraînement précédanta compétition.

Silva et al. [22], à l’aide d’un même modèle mathé-atique, notent une erreur de prédiction inférieure à

,8 % entre les performances estimées et les performanceséelles avec cent trente-huit jeunes nageurs (65 hommes et3 femmes) de 200 mètres quatre nages et 400 mètres dosrawlé. Ils considèrent que le réseau de neurones est unon outil pour résoudre non seulement les problématiquesiées à l’impact de l’entraînement sur la performance, maisussi la détection des talents dans un large panel de sports.

Les modèles mathématiques actuels de prédiction dea performance ne semblent pouvoir exister que pour unombre restreint de sports individuels sans interactionirecte avec un adversaire, dont la finalité principale esta confrontation avec le temps et/ou l’espace (c’est-à-dire,a course, la natation). En tant que telles, leur capacitét leur précision de prédiction sont fortement dépendanteses caractéristiques des sujets et du type de sport prati-ué. Comme le souligne Bocquet [23], l’explication tientertainement à ce que les premiers « modèles estimant laerformance (. . .) aient été appréhendés à partir de recordsu monde ou à partir des composantes physiologiques deportifs ». Et que « ces modèles ont toujours eu commebjectif d’expliquer cette relation vitesse-temps ».

Dans les études sur la modélisation des effets de’entraînement, l’outil statistique le plus utilisé pour mesu-er l’adéquation du modèle à la performance réelle est leoefficient de détermination. Hormis dans le cas des régres-ions linéaires où il est le carré du coefficient de corrélation,l ne semble pas y avoir consensus quant à sa définition, etl peut être défini comme la part de variance expliquée sura variance totale. Le coefficient de détermination ajusténtègre le nombre de variables pour atténuer le principaléfaut du coefficient de détermination qui fait qu’il aug-ente avec le nombre de variables. D’autres études utilisent

’écart moyen relatif entre la performance prédite et la per-ormance réalisée, estimé par la moyenne des écarts à laoyenne sur cette même moyenne (exprimé en pourcen-

age). Le Tableau 1 synthétise les outils statistiques poures études basées sur le modèle de Banister et Calvert [6].

Selon Hellard et al. [24], les explications probables auroblème de précision peuvent être :

la faible quantité de données, conséquence de la diffi-culté d’investiguer le sport de haut niveau ;

l’interdépendance des paramètres du modèle, quidevraient certainement être recalculés au fur et à mesurede l’avancement dans la saison ;

les biais du modèle, notamment celui énoncé par Fitz-Clarke et al. [14].


La limite majeure est la colinéarité illimitée de la rela-ion entraînement-performance qui laisse supposer que pluse sportif s’entraîne, plus il progresse.



6 S. Morin et al.

Tableau 1 Description des études basées sur le modèle de Banister et al. [6].

Auteurs Année Sport Sujet Semaines Précision Coefficient

Busso et al. [9] 1990 Haltérophilie 6 hommes 52 0,50—0,97 *

Morton et al. [29] 1990 Course 2 hommes 4 0,71 ; 0,96 *

Busso et al. [12] 1991 Cyclisme 8 hommes 14 0,76—0,93 *

Busso et al. [10] 1994 Lanceur de marteau 1 homme 37 0,91 *

Mujika et al. 1996 Natation 8 femmes, 10 hommes 50 0,45—0,85 *

Busso et al. [13] 1997 Cyclisme amateur 2 hommes 14 0,66 ; 0,68/0,87 ; 0,87 *

Busso et al. [3] 2002 Cyclisme 6 hommes 15 0,95—0,98 *

Millet et al. 2002 Triathlon 3 femmes, 1 homme 40 0,37—0,74 ***

Busso et al. 2003 Cyclisme 6 hommes 15 0,85 **

Wood et al. [26] 2005 Course amateur 1 homme 12 0,92 *

Hellard et al. 2006 Natation 5 femmes, 4 hommes 60 0,79 *

Torrents et al. [18] 2007 Gymnastique 2 femmes 18 5,06—10,62 % ****

ajust

flpltlauo

àsc(imcl

4d

Qscssmu

4

LmrddMe[

er(pt

T

olcel

T

oi�fr

dcmm

4

Lq

* : coefficient de détermination ; ** : coefficient de détermination

La modélisation des effets de l’entraînement sur la per-ormance permet de mieux conceptualiser la complexité de’entraînement, mais elle ne permet pas de prédire avecrécision la performance, d’autant plus à haut niveau oùes titres, podiums et qualifications se dessinent au cen-ième ou au millième de seconde, et encore moins danses sports de confrontations directes avec un ou plusieursdversaires. Pour l’entraîneur, elle semble devoir être plustilisée comme un outil d’aide à la décision que comme unutil de prédiction.

Dans le domaine de la modélisation, la robustesse, c’est--dire la capacité à généraliser les conclusions d’une analysetatistique, est un concept récurrent. Vouloir ajouter beau-oup de paramètres et utiliser une architecture sophistiquéepar ex., réseau de neurones) conduit au surparamétrage,nversement, si le nombre de paramètres est trop faible, leodèle est biaisé et il y a sous-paramétrage. Dans les deux

as de figure, on perd en robustesse. Il s’agit donc de trouvere bon compromis biais-variance.

. Méthodes de quantification de la charge’entraînement

ue ce soit pour modéliser l’entraînement et ses effetsur la performance, mais aussi gérer la dynamique desharges pendant le plan d’entraînement, il est indispen-able de quantifier l’entraînement. Se basant généralementur l’algorithme originel de Verchoschanskii [1], plusieurséthodes existent, et se différencient par les marqueurs

tilisés pour exprimer le volume et l’intensité.

.1. Volume

a distance, la durée et la vitesse sont les trois unités deesure généralement utilisées par les auteurs. Les expé-

iences menées en natation [5] utilisent principalement lesistances, Calvert et al. [7] assimilant même les séances


e musculation à un kilomètre de nage à haute intensité.ais dans la très grande majorité des études, le volume estxprimé en durée (Banister et Calvert [20], Morton et al.,8], Edwards [25], Wood et al., [26], Foster, [27]).

itli

é ; *** : coefficient de corrélation ; **** : écart moyen relatif.

Dans le modèle bioénergétique de Hayes et Quinn [28], ilst fait une référence systématique à la vitesse. Les pré-equis de leur modèle sont de baser le calcul des TRIMPTRaining IMPulse) sur un profil énergétique personnel ins-iré de la décroissance progressive de la puissance avec leemps pour des efforts à intensité maximale.

RIMP = I (Dact) × C (Dact) × D (8)

ù W est le score de TRIMP, I l’intensité relative de’entraînement, C la concentration de l’entraînement,’est-à-dire l’expression de la prise en compte de la naturet de la durée des récupérations entre les répétitions, et Da distance.

RIMP =(

vact

voct+ vact − vcrit

vmax − vcrit

)

×(

1 + I (nDact) − I (Dact)I (Dact)

e�1 �rec�effort

)

× nDact (qD + (qnD − qD) e− �rec�effort ) (9)

ù vact est la vitesse sur la distance, vmax la vitesse maximalenstantanée, vcrit la vitesse critique, vopt la vitesse optimale,effort le temps d’effort, �rec le temps de récupération, q leacteur de qualité (Vact/vopt) et �1 un indicateur du type deécupération.

Bien que restreinte aux activités exprimées en termese vitesse, cette méthode est un outil intéressant deomparaison des différentes méthodes d’entraînement duétabolisme aérobie (par ex., méthodes continues vséthodes intermittentes).

.2. Intensité

’intensité est le paramètre de la charge d’entraînementui s’exprime le plus différemment dans les études, car


l est fortement dépendant de la prédominance des sys-èmes énergétiques, des contraintes d’investigation et dea variété des types de séances d’entraînement du sportnvestigué.



Modélisation des effets de l’entraînement 7

Tableau 2 Zones de fréquence cardiaque, Edwards [25].

Coefficient FC (%)

1 50—602 60—703 70—80

Tableau 3 Facteurs de pondération pour chaque zoned’intensité d’entraînement, Wood et al. [26].

Zone Fréquence cardiaque Coefficient

1 Moitié inférieure entre 50 % deFC réserve et limite inférieurede la zone 3

2

2 Moitié supérieure entre 50 % deFC réserve limite inférieure dela zone 3

4

3 FC au seuil ventilatoire ± 5 bpm 64 Entre limite supérieure de la

zone 3 et FC max—5 bpm10

ppcsldcificq

4Lldtivdn

tctllni l’accumulation de lactate au sein du muscle et qu’iln’y aurait pas de relation entre la baisse du pH et de laforce contractile, qu’il serait donc un marqueur approxima-tif de l’intensité de l’effort. Bloomer et Cole [32] ne notent

Tableau 4 Facteurs de pondération pour chaque zoned’intensité d’entraînement, Mujika et al. [30].

Zone Lactatémie Pondération

1 [La] < 2 mM 12 2 mM < [La] < 4 mM 2

4 80—905 90—100

4.2.1. Fréquence cardiaquePour le calcul des TRIMP dans les sports d’endurance,Banister et Calvert [20] proposent d’utiliser la fréquencecardiaque moyenne de la séance comme marqueur del’intensité. Multipliée par la durée en minutes, elle fournitune charge d’entraînement exprimé en unités arbitraires.Morton et al. [29] enrichissent la formule et proposent unereformulation pour corriger le biais lié aux longs entraî-nements à un faible niveau de fréquence cardiaque. Ilsutilisent un coefficient pondérateur du type Y = ebx qui cor-respond à l’évolution du taux de lactate sanguin lors d’unexercice à intensité croissante [8]. Ils démontrent queles réponses des hommes et des femmes sont suffisam-ment différentes pour déterminer des valeurs différentesde b, respectivement de 1,92 pour les hommes [Eq. (10)] et1,67 pour les femmes [Eq. (11)].

TRIMP = duréeFCmoy·exe − FCrep

FCmax − FCrepe1,92

FCmoy·exe−FCrepFCmax−FCrep (10)

TRIMP = duréeFCmoy·exe − FCrep

FCmax − FCrepe1,67

FCmoy·exe−FCrepFCmax−FCrep (11)

Pour répondre au manque de discrimination de l’intensitépar la fréquence cardiaque moyenne, Edwards [25] déter-mine des zones de travail en se référant à la FCmax estiméepar :

Hommes = 210 − (0, 5 âge

) − (5% poids) + 4 (12)

Femmes = 210 − (0, 5 âge

) − (1% poids) (13)

Le nombre total de points correspond au nombre deminutes passé dans chacune des zones multiplié par soncoefficient, ce qui améliore la sensibilité du calcul des TRIMP(Tableau 2).

Wood et al. [26] utilisent le seuil ventilatoire de manièrecomplémentaire à la fréquence cardiaque. Le seuil ventila-toire est mesuré au préalable à différentes vitesses d’un testsur tapis roulant et le calcul de la charge d’entraînement estle produit du temps passé dans chaque zone par le coeffi-cient pondérateur (Tableau 3).

Combinant l’approche quantitative avec une approchequalitative, Wood et al. [26] notent également que lacomposante de fatigue du modèle de Banister est modé-rément corrélée avec l’item fatigue du POMS (r = 0,75,p > 0,05), que le seuil ventilatoire (r = 0,94, p > 0,0001) etl’économie de l’effort (r = 0,61, p = 0,04) sont égalementcorrélés avec la composante d’aptitude.

L’utilisation du cardiofréquencemètre est largement


répandue dans le monde sportif. Sa fiabilité et sa préci-sion qui ne cesse de s’améliorer avec le temps permettentd’avoir en temps réel une information sur sa variation sui-vant le type d’effort. À tel point que plusieurs applications

5 Effort supérieur à FCmax—5 bpm

16

ossibles de la mesure de la fréquence cardiaque ont étéroposées comme, mesurer la variabilité de la fréquenceardiaque ou estimer la dépense énergétique. Pour lesports à dominante énergétique majoritairement aérobie,es méthodes basées sur la fréquence cardiaque permettente quantifier la charge d’entraînement. Mais dans les sportsollectifs ou les sports de raquettes, son utilisation peutnduire une sous-estimation de la charge d’entraînement duait de l’inertie du système cardiovasculaire pour des effortsntenses inférieurs à trente secondes. De plus, au-delà d’uneertaine intensité, la fréquence cardiaque n’augmente plus,uelles que soient les intensités d’effort.

.2.2. Lactatee taux de lactate sanguin évoluant en fonction de’intensité de l’effort, Mujika et al. [5,30] calcule la charge’entraînement au moyen de coefficient pondérateur reflé-ant les variations de niveau de lactate en fonction desntensités d’entraînement mesuré au préalable à différentesitesses de nage. L’entraînement à sec est intégré en consi-érant qu’une heure à sec équivaut à deux kilomètres deage (Tableau 4).

La charge d’entraînement est alors estimée en mul-ipliant la distance parcourue dans chaque zone par leoefficient pondérateur. Mais, dans une revue de la lit-érature sur le lactate, Cazorla et al. [31] notent quea mesure de la concentration sanguine du lactate à’issue de l’exercice intense ne reflète ni la production


3 4 mM < [La] < 6 mM 34 6 mM < [La] < 10 mM 55 [La] > 10 mM 8



8

Tableau 5 Échelle de perception de l’effort (EPE) de Fos-ter [27].

Score Description

0 Repos1 Très, très facile2 Facile3 Modéré4 Légèrement difficile5 Difficile6 —7 Très difficile8 —

éqdsê

5à

5s

Lcqdnidqbs

sdldLdd

C

M

C

F

ldesd

fphnefsn8dt

dasEcdlrnàitldd

(Prddmdedpd

etmel(

5r

HlvdsC1

9 —10 Maximum

galement pas de corrélation entre le lactate et des bio mar-ueurs du stress oxydative chez des sujets entraînés aprèses exercices sur tapis roulant, bicyclette ergométrique, auquat et à la presse. Le prélever en routine quotidienne peuttre aussi comme douloureux pour le sportif.

. Quantification de la capacité d’adaptation l’entraînement

.1. Charge d’entraînement et estimationubjective

e surmenage et le surentraînement sont complexes etaractérisés par une grande variété de symptômes [33], fré-uemment observés dans les cas de volume et d’intensité’entraînement maintenus trop longtemps à de hautsiveaux. Les relations entre entraînement et performancencitent les sportifs à augmenter régulièrement les charges’entraînement, car les progrès sont faibles chez les prati-uants de haut niveau. Attitude amplifiée par le manque deons résultats en compétition qui incite l’entraîneur et lesportifs à augmenter encore plus la charge.

Foster [27,34] propose une approche innovante baséeur l’effort percu par le sportif au moyen de l’échellee Borg CR10. Il ne s’agit plus seulement de calculera charge d’entraînement, mais aussi d’estimer un étate forme potentiel, estimé par quatre calculs successifs.’objectif est de déterminer une zone optimale de charge’entraînement afin de prévenir les risques de dépassement,e surentraînement et de blessures [4] (Tableau 5).

E = Durée × RPE (14)

onotonie = x (CE quotidiennes)s (CE quotidiennes)

(15)

ontrainte = CE × Monotonie (16)

itness = CE × Contrainte (17)

La monotonie est un indicateur de la variabilité de’entraînement. Foster [27] note que les augmentations


e la charge d’entraînement et de la monotonie pouvantngendrer dépassement et maladies, et conseillent de pré-erver dans la semaine une certaine variation de la charge’entraînement afin de faire baisser la monotonie. L’état de

sdrl


orme (« fitness ») est un indicateur associé à la capacité deerformance temporaire du sportif. Lorsque la contrainteebdomadaire, qui est un indicateur lié aux adaptationségatives à la charge d’entraînement et au dépassement,st plus importante que la charge, la capacité de per-ormance diminue et vice-versa. Les problèmes de santéurviennent très souvent lorsque les indices de monoto-ie et de contrainte atteignaient des valeurs très élevées :4 % des maladies étaient précédés d’un pic de charge’entraînement ; 77 % étaient précédées d’un pic de mono-onie [34].

L’intérêt majeur de cette méthode est qu’elle permete quantifier des activités et des intensités très variéesfin d’en déduire des indicateurs associés à l’apparition duurentraînement et à l’apparition des problèmes de santé.lle permet d’objectiver les microcycles d’entraînemente qui facilite la mise en place de principes de basee la périodisation que sont la surcharge progressive et’alternance-charge. Elle ne permet cependant pas de diffé-encier les influences respectives du volume et de l’intensitéi de déterminer l‘organisation des charges d’entraînement

l’intérieur d’une même semaine. De manière anecdotique,l est intéressant de noter qu’un sportif qui réalise stric-ement la même charge d’entraînement tous les jours dea semaine ne pourra déterminer son état de forme fautee pouvoir calculer la monotonie (écart-type de 0 commeiviseur).

De nombreuses études ont étudié les relations entre l’EPEéchelle de perception de l’effort) et d’autres paramètres.sycharakis [35] note qu’avec des nageurs, l’EPE s’est avé-ée être une méthode valable pour le contrôle de l’intensitée l’exercice, avec des coefficients de corrélation avece 0,85 avec le pourcentage de fréquence cardiaque maxi-ale. Kang et al. [36] ont également montré que la duréee l’exercice n’affectait que peu sa précision et Crewet al. [37] notent que le taux d’augmentation de EPE pré-it la durée de l’exercice jusqu’à l’épuisement pour uneuissance constante dans des conditions environnementalesifférentes.

Le polymorphisme de l’échelle de perception de l’effortn fait un outil pratique et non invasif pour toutes les condi-ions d’entraînement. Les corrélations obtenues vont deodérées à fortes, en fonction du niveau des pratiquants

t du type de sport investigué tels que le football (Impel-izeri et al., [38]), le rugby (Coutts et al., [39]), le basketFoster et al., [34]), ou la musculation (Day et al., [40]).

.2. Les marqueurs du surentraînement et de laécupération

ooper [4,41], médecin en charge du suivi médical de’équipe australienne de natation s’oriente dans une nou-elle direction. Elle a demandé à 14 nageurs de haut niveau’auto évaluer pendant six mois leurs niveaux de fatigue, detress, de qualité du sommeil et de douleurs musculaires.haque état est coté quotidiennement sur une échelle de

à 7, de très, très facile à très, très difficile. Durant les


essions de tests, un nageur était déclaré « en manquee fraîcheur » quand tous les critères suivants étaient avé-és : pas d’amélioration de sa performance entre l’avant et’après-saison, pas d’amélioration de ses performances aux


INModele +

lg

durUnllnsqteqrutedcfq

7

Lqqàdgl

lrmtsdrddccsdtuàpml

ld



sélections, une fatigue percue supérieure à cinq plus de septjours de suite, un commentaire négatif sur la capacité deréponse à l’entraînement dans le carnet d’entraînement,une réponse négative à une question portant sur la présencede maladies. Les nageurs en manque de fraîcheur rappor-taient des niveaux de fatigue percue élevés et de dommagemusculaire percu plus importants que les nageurs en bonneforme. Un mauvais sommeil et un plus haut niveau destress étaient aussi significativement marqués. Par contre, iln’existait pas de différences biologiques significatives (fré-quence cardiaque, pression artérielle, lactate) entre lesnageurs en manque de fraîcheur et les nageurs en forme. Surla base de la facilité de passation et du coût, Hooper et al.considèrent que les échelles de sommeil, fatigue, stress etde dommages musculaires sont de bons outils de prédictiondu manque de fraîcheur et des variations de performancesen compétition. Ils notent également qu’une augmentationde la sensation de bien-être subjectif pendant la périoded’affûtage a permis d’expliquer l’amélioration de la perfor-mance en compétition dans 72 % des cas.

Cette recherche suggère qu’un carnet d’entraînement etun suivi quotidien de plusieurs marqueurs subjectifs peuventêtre un facteur d’amélioration de l’individualisation del’entraînement et peut aider à définir les stratégies de dis-tribution de la charge pendant les périodes d’affûtage etd’entraînement intense.

6. Perspectives

Pour l’entraîneur, interroger les interactions entrel’entraînement (c’est-à-dire aptitude) et la récupéra-tion (c’est-à-dire fatigue), c’est tenter de maintenirconstant un niveau élevé de performance durant toute lapériode de compétition et de minimiser le risque de surme-nage et de blessure. Pour le scientifique, c’est interrogerles adaptations liées à une pratique sportive intensive,en respectant les conditions écologiques de cette relationcomplexe et multifactorielle. Les conditions de pratique,les caractéristiques du sportif, les adversaires sont autantde paramètres qui influencent la performance. Le sportifpeut déclarer être en grande forme, mais ne pas être« performant ». Constat fréquent dans les sports collectifsprofessionnels. La différence se fait donc souvent sur lavaleur intrinsèque du joueur.

Les travaux disponibles dans la littérature demandentà être complétés et étudiés en situation d’entraînementrégulier intensif (c’est-à-dire, sport de haut niveau et sportprofessionnel) pour intégrer deux contraintes incontour-nables : ne pas perturber le déroulement des séances et nepas créer les conditions du surmenage ou de la blessure.

Une première hypothèse serait de s’intéresser à lamesure de marqueurs qui reflètent la capacité glo-bale d’adaptation d’un individu à l’entraînement [42] ens’inspirant de la théorie du syndrome général d’adaptationde Selye [43] et de considérer que les mécanismesqui induisent l’augmentation des capacités fonctionnelles


des tissus spécifiquement sollicités sont essentiellementprovoqués par la répétition d’entraînements. Cela consis-terait à augmenter les régulations homéostasiques quimobilisent les ressources énergétiques et structurelles de

mlpP

PRESS9

’organisme et qui sont une condition importante pourarantir les effets de l’entraînement [44].

Une seconde hypothèse, s’appuyant sur les notions’homéostasie et de chronobiologie, consiste à proposerne modélisation mathématique alternative pour simuler laégulation générale induite par les stimuli d’entraînement.n postulat serait de caractériser les variations duiveau d’aptitude générale du sportif dans le contexte de’entraînement professionnel en considérant la réponse à’entraînement comme un mouvement oscillatoire harmo-ique amorti dont la fréquence et le taux d’amortissementont strictement personnels. Le principe est de considérerue les effets de l’entraînement sont un état non défini-if des interactions entre les différents facteurs exogènest endogènes et qu’elles sont variables dans le temps. Ceui signifie qu’une même séance d’entraînement à diffé-entes périodes ne produit pas les mêmes adaptations chezn même sportif et que le stress généré peut, dans cer-aines conditions, dépasser le niveau de capacités du sportift générer un épuisement préjudiciable. Verchoschanskii [1]écrit les effets différés à long terme comme l’un des prin-ipes de base de la planification des charges et que cela neait que rendre plus important le choix de la stratégie deuantification et de suivi de la charge d’entraînement.

. Applications concrètes

’enjeu actuel semble se situer sur la sélection des mar-ueurs quantitatifs et qualitatifs spécifiques au sportifui permettent de définir son état actuel d’adaptation

l’entraînement afin de réguler ensuite la charge’entraînement, et de définir des seuils et des straté-ies optimales de distribution aux différentes périodes de’année.

En raison de leurs caractéristiques personnelles, deeurs expériences, et de leurs réactivités individuelles, leséponses de sportifs différents aux mêmes séances fontontrent d’une très grande variabilité. Une grande par-

ie de leurs objectifs sont subjectifs et changeants. Unuivi longitudinal, qui peut être pluriannuel, peut permettre’enregistrer les variations de différents marqueurs, favo-isé en cela par l’évolution continue de l’informatique etes technologies de la communication. La grande majoritées sportifs possède un objet communicant, autorisant laollecte de données de différentes natures, en toutes cir-onstances, en tous lieux et en toute confidentialité, que ceoit pendant les temps d’entraînement, mais aussi les tempse récupération (c’est-à-dire, jours de repos, vacances). Leraitement de ce flux constant de données devrait permettrene meilleure compréhension des effets de l’entraînement,

l’image du cardiofréquencemètre, de ses mécanismeshysiologiques et des méthodes d’entraînement associées,ais aussi des capteurs de puissance montés à la place de

’ensemble manivelle-plateau en cyclisme.Toute la problématique se trouve dans la conception,

a construction et la validation des outils de collecte desonnées et des matrices d’analyses. Pour ce concerne les


arqueurs qualitatifs, la principale contrainte relève de’ergonomie de l’outil et du temps de saisie qui ne doitas dissuader le sportif de saisir en routine quotidienne.our les marqueurs quantitatifs, des projets de recherches


INModele +S

1

dJcrmdêo

rdphl

8

Lmsamdpdevnsdsplmadstdmdsp

D

Lr

R

[

[

[

[

[

[

[

[

[

[

[

[

[

ARTICLECISPO-2832; No. of Pages 11

0

éveloppent déjà des appareils connectés (Nike Fuelband1,awbone Up2, Fitbit Flex3) et des textiles (Smart Sensing4)apables d’enregistrer l’électrocardiogramme, le rythmeespiratoire, la pression artérielle et son taux d’oxygène,ais aussi la température du corps, la posture et l’activitée celui qui porte le vêtement. Ces informations peuventtre ensuite envoyées en temps réel à tout mobile ou toutrdinateur.

Ces outils doivent permettre in fine de présenter lesésultats dans des formats qui facilitent les prises deécision pour l’entraîneur et permettre d’améliorer laériodisation de l’entraînement par une meilleure compré-ension de la capacité d’adaptation et de réponse à’entraînement.

. Conclusion

a modélisation des effets de l’entraînement sur la perfor-ance permet de mieux conceptualiser les adaptations du

portif à l’entraînement, mais elle ne permet pas de prédirevec précision la performance. Il existe aujourd’hui peu deoyens suffisamment précis qui permettent de quantifier ete suivre individuellement la charge d’entraînement avecour objectif de définir le volume, l’intensité, et la pério-icité pour provoquer des adaptations spécifiques, et celan routine quotidienne. Toute charge d’entraînement pro-oquant des effets spécifiques et cumulés dépendants duiveau d’expertise, mais aussi des charges précédentes, ilerait intéressant de définir des profils d’adaptation indivi-uels afin de mieux comprendre les réponses aux différentstimuli d’entraînement et de mieux prédire la capacité deerformance. L’évolution des technologies laisse entrevoira possibilité de mettre en place des mesures répétées deultiples marqueurs, qualitatifs et quantitatifs. Ainsi, une

ttention particulière pourrait être portée sur la conceptione système d’aide à la décision qui s’appuie notammentur l’électronique, l’informatique et les télécommunica-ions afin de permettre aux entraîneurs de clarifier la visionu contexte dans lequel les décisions sont prises, et de per-ettre aux chercheurs d’analyser les séries temporelles desifférents marqueurs afin de déterminer si les variationsont néfastes, sans effets ou bénéfiques à la capacité deerformance.

éclaration d’intérêts

es auteurs déclarent ne pas avoir de conflits d’intérêts enelation avec cet article.

éférences

[1] Verchoschanskii JV. L’entraînement efficace. Paris: Presses Uni-


versitaires de France; 1992.[2] Mujika I. The influence of training characteristics and tapering

on the adaptation in highly trained individuals: a review. Int JSports Med 1998;19(7):439—46.

1 http://www.nike.com/us/en us/c/nikeplus-fuelband.2 https://jawbone.com/up.3 http://www.fitbit.com/fr/flex.4 http://www.smartsensing.fr/.

[

[

[


[3] Busso T, Benoit H, Bonnefoy R, Feasson L, Lacour JR. Effectsof training frequency on the dynamics of performance res-ponse to a single training bout. J Appl Physiol 2002;92(2):572—80.

[4] Hooper SL, MacKinnon TL, Howard A, Gordon RD, BachmannAW. Markers for monitoring overtraining and recovery. Med SciSports Exerc 1995;27(1):106—12.

[5] Mujika I. Modeled responses to training and taper in competi-tive swimmers. Med Sci Sports Exerc 1996;28(2):251—8.

[6] Banister EW, Calvert TW, Savage MV, Bach T. A systemsmodel of training for athletic performance. Aust J Sports Med1975;7:57—61.

[7] Calvert WT, Banister EW, Savage MV, Bach T. A system modelof the effects of training on physical performance. IEEE TransSyst Man Cybern 1976;6(2):94—102.

[8] Morton RH. Modeling training and overtraining. J Sports Sci1997;15(3):335—40.

[9] Busso T, Häkkinen K, Pakarinen A, Carasso C, Lacour JR, KomietPV, et al. A systems model of training responses and its rela-tionship to hormonal responses in elite weight-lifters. Eur JAppl Occupationnal Physiol 1990;61(1—2):48—54.

10] Busso T, Candau R, Lacour J-R. Fatigue and fitness modelledfrom the effects of training on performance. Eur J Appl Occu-pationnal Physiol 1994;69(1):50—4.

11] Morton RH. A 3-parameter critical power model. Ergonomices1996;39(4):611—9.

12] Busso T, Carasso C, Lacour JR. Adequacy of a systems struc-ture in the modeling of training effects on performance. J ApplPhysiol 1991;71(5):2044—9.

13] Busso T, Denis C, Bonnefoy R, Geyssant A, Lacour JR. Modelingof adaptations to physical training by using a recursive leastsquares algorithm. J Appl Physiol 1997;82(5):1685—93.

14] Fitz-Clarke JR, Morton RH, Banister EW. Optimizing athletic byinfluence curves. J Appl Physiol 1991;71(3):1151—8.

15] Bosquet L, Montpetit J, Arvisais D, Mujika I. Effects of tape-ring on performance: meta-analysis. Med Sci Sports Exerc2007;39(8):1358—65.

16] Perl J. Antagonistic adaptation systems: an example of how toimprove understanding and simulating complex system beha-viour by use of meta-models and on line-simulation. In: 16thIMACS Congress. 2000.

17] Perl J. PerPot: a metamodel for simulation of load performanceinteraction. Eur J Sport Sci 2001;1(2):1—13.

18] Torrents C, Balagué N, Perl J, Schöllhorn W. Linear and non-linear analysis of the traditional and differential strengthtraining. Ugdymas Kuno Kultura Sportas (Education PhysicalTraining Sport) 2007;66(3):39—47.

19] Hohmann A, Edelmann-Nusser J, Henneberg B. A non-linearapproach to the analysis and modeling of training andadaptation in swimming. In: 18 International Symposium on Bio-mechanics in Sports. 2000.

20] Banister EW, Calvert TW. Planning for future performanceimplications for long-term training. Can J Appl Sport Sci1980;5(3):170—6.

21] Edelmann-Nusser J, Hohmann A, Henneberg B. Modeling andprediction of competitive performance in swimming upon neu-ral networks. Eur J Sport Sci 2002;2:1—12.

22] Silva JS, Costa AM, Oliveira PM, Reis VM, Saaveda J, Rouboa A,et al. The use of neural netwok technology to model swimmingperformance. J Sports Sci Med 2007;6:117—25.

23] Bocquet V. Modélisation de l’endurance humaine, de l’expèceà l’individu. Paris : 11: Thèse de l’Université Descartes, R;2002.

24] Hellard P, Avalos M, Lacoste L, Barale F, Chatard JC, Millet GP.


Assessing the limitations of the Banister model in monitoringtraining. J Sports Sci 2000;24(5):509—20.

25] Edwards S. The heart rate monitor book. Sacramento, CA: FleetFeet Press; 1993.


http://refhub.elsevier.com/S0765-1597(14)00034-3/sbref0005










































http://www.nike.com/us/en_us/c/nikeplus-fuelband

https://jawbone.com/up

http://www.fitbit.com/fr/flex

http://www.smartsensing.fr/




























































































































































































































































































































































































































































































































































































































INModele +

[

[

[

[

[

[

[

[



[26] Wood RE, Hayter S, Rowbottom D, Stewart I. Applying a mathe-matical model to training adaptation in a distance runner. EurJ Appl Physiol 2005;94(3):310—6.

[27] Foster C. Monitoring training in athletes with reference to over-training syndrome. Med Sci Sports Exerc 1998;30(7):1164—8.

[28] Hayes P, Quinn M. A mathematical model for quantifying trai-ning. Eur J Appl Physiol 2009;106:839—47.

[29] Morton RH, Fitz-Clarke JR, Banister EW. Modeling human per-formance in running. J Appl Physiol 1990;69(3):1171—7.

[30] Mujika I, Chatard JC, Busso T, Geyssant A, Barale F, Lacoste L.Effects of training on performance in competitive swimming.Can J Appl Physiol 1995;20(4):395—406.

[31] Cazorla G, Petibois C, Bosquet L, Léger L. Lactate et exercice :mythes et réalités. Rev STAPS 2001;54:63—76.

[32] Bloomer BJ. Relationship between blood lactate and oxidativestress biomarkers following acute exercise. Open Sports Med J2009;3:44—8.

[33] Meeusen R, Duclos M, Foster C, Fry A, Gleeson M, Nieman D,et al. Prevention, diagnosis, and treatment of the overtrainingsyndrome: joint consensus statement of the European Collegeof Sport Science and the American College of Sports Medicine.Med Sci Sports Exerc 2013;45(1):186—205.

[34] Foster C, Florhaug JAA, Franklin J, Gottschall L, Hrovatin LAA,Parker S, et al. A new approach to monitoring exercise training.


J Strength Cond Res 2001;15(1):109—15.[35] Psycharakis SG. A longitudinal analysis on the validity and relia-

bility of ratings of perceived exertion for elite swimmers. JStrength Cond Res 2011;25(2):420—6.

[

PRESS11

36] Kang J, Chaloupka EC, Biren GB, Mastrangelo MA, Hoff-man JR. Regulating intensity using perceived exertion:effect of exercise duration. Eur J Appl Physiol 2009;105(3):445—51.

37] Crewe H, Tucker R, Noakes T. The rate of increase in rating ofperceived exertion predicts the duration of exercise to fatigueat a fixed power output in different environmental conditions.Eur J Appl Physiol 2008;103:569—77.

38] Impellizzeri FM, Rampinini E, Coutts AJ, Marcora SM. Useof RPE-based training load in soccer. Med Sci Sports Exerc2004;36(6):1042—7.

39] Coutts AJ, Murphy A, Pine M, Reabum O, Impellizzeri F. Vali-dity of the session-RPE method for determining training loadin team sport athletes. J Sci Med Sport 2003;6:525.

40] Day ML, McGuigan MR, Brice G, Foster C. Monitoring exerciseintensity during resistance training using the session-RPE scale.J Strength Cond Res 2003;18(2):353—8.

41] Hooper S, Mackinnon LT, Hanrahan S. Mood states as anindication of staleness and recovery. Int J Sport Psychol1997;28:1—12.

42] Borresen J, Lambert MI. The quantification of training load,effect on performance. Sports Med 2009;39:779—95.

43] Selye H. Du rêve à la découverte. Montréal: Éditions de LaPresse; 1973.


44] Viru M, Hackney AC, Karelson K, Janson T, Kuus M, Viru A.Competition effects on physiological responses to exercise:performance, cardiorespiratory and hormonal factors. ActaPhysiol Hung 2010;97(1):22—30.


































































































































































































































































































































































































































































































































Documents

Modélisation des effets de l’entraînement : revue des différentes études