Monitoring et modélisation de la performance en natation via centrale inertielle et data science : méthodologies et applications pour l’accompagnement scientifique à la performance

Overview & Synopsis

A l’heure de la révolution digitale, la natation est une discipline sous-technologisée. Or, la densification actuelle du haut-niveau contraint à toujours plus d’optimisation du processus d’entraînement et d’ana-lyse des compétitions. L’utilisation de centrales inertielles permet un suivi embarqué du nageur. Néanmoins, leur exploitation pose des obstacles méthodologiques afin d’extraire des métriques pertinentes d’une série temporelle multivariée relative aux accélérations et vitesses angulaires 3D du nageur. L’objectif de cette thèse est de développer des outils de monitoring biomécanique en natation afin d’alimenter l’accompagnement scientifique à la performance des équipes de France de natation bassin et eau libre, dans le cadre du projet NePTUNE et de la préparation des Jeux Olympiques de Paris2024. Pour cela, deux contributions en sciences des données sont proposées et respectivement basées sur de l’apprentissage profond pour la reconnaissance d’activité du nageur et du clustering fonctionnel pour le profilage des qualités tech-niques. D’autre part, quatre applications en sciences du sport sont déployées en collaboration avec la Fédération Française de Natation. Celles-ci visent à modéliser la performance, mais surtout profiler les régulations techniques sous-jacentes, et ainsi individualiser les stratégies de gestion de course tout en identifiant des axes d’entraînements associés.