Avant le mur : écoute ton cerveau, pas ta montre

EEG, VO₂ et une IA qui confirme l’intuition : la variabilité bat le mythe du “pace constant”.

Idée-clé. L’IA peut être la meilleure alliée… ou la pire conseillère. Elle vaut ce que valent ses hypothèses. Le cerveau, lui, agit comme un capteur-contrôleur étendu (ECGM) au service de l’homéostasie : il intègre température, O₂, cardio, métabo, recrutement musculaire, nutrition, etc. Pour performer durablement, il faut écouter ce signal central et utiliser des IA qui respectent la variabilité, pas celles qui imposent un « pace constant ».

Ce que montre notre étude terrain

• Protocole. Deux marathoniens ~3h10 instrumentés en course : VO₂/échanges gazeux, EEG, métriques de foulée, vitesse/GPS et FC.
• Alerte précoce. Vers 15 km, l’EEG atteint un niveau comparable à l’intensité supra-seuil ventilatoire alors que la FC est encore modérée : le cerveau dit « trop vite ».
• Le mur annoncé. Déterminé à tenir une allure-cible, le coureur ignore l’alerte et explose vers 26 km. Le profil des vitesses devient asymétrique avec de nombreux km très lents en fin de course : la vitesse moyenne < médiane.
  • Skewness (asymétrie). Mesure l’asymétrie d’une distribution. Bien rythmé → skewness ≈ 0 (moyenne ≈ médiane). Fin de course très lente → skewness négative = pacing raté.

https://publications.billatraining.com/publications/2019/detecting_the_marathon_asymmetry_with_a_statistical_signature.pdf

Ce que l’IA apporte (quand elle est bien utilisée)

• VAE : compresse toutes les séries temporelles (VO₂, FC, vitesse, respiration, foulée…) en une signature latente exploitable. Un Variational Autoencoder (VAE) est un type de réseau de neurones qui sert à compresser des données (images, signaux, etc.) et à en générer de nouvelles.
  Contrairement à un autoencodeur classique, le VAE apprend à représenter les données sous forme de distributions probabilistes (plutôt qu’un simple vecteur), ce qui permet de créer des exemples originaux et variés à partir de l’espace latent.
• Encodeur : transforme l’entrée en une distribution (moyenne et écart-type).
• Décodeur : utilise un échantillon de cette distribution pour reconstruire ou générer une donnée.
• Le VAE est donc un outil pour explorer, compresser et générer des données complexes, utilisé en IA pour l’image, le son, la médecine, etc..

https://publications.billatraining.com/publications/2025/ai-marathon.pdf

• Analyse de Lyapunov : sur cette signature, un recul de l’exposant de Lyapunov indique une perte de variabilité/adaptabilité (le système se rigidifie). Ce signal chute avant la baisse de vitesse → alerte prédictive et fenêtre d’intervention pour le coach.

https://publications.billatraining.com/publications/2025/ai-marathon.pdf

L’exposant de Lyapunov est un nombre qui mesure la stabilité d’un système dynamique, c’est-à-dire sa sensibilité aux petites variations de départ.

• Si l’exposant est positif, le système est instable : de petites différences initiales s’amplifient rapidement (comportement chaotique).
• S’il est négatif, le système est stable : les différences s’atténuent avec le temps.
• S’il est nul, le système reste borné mais n’est ni stable ni instable.

Dans le contexte physiologique (comme en marathon), une chute de l’exposant de Lyapunov indique que la variabilité et l’adaptabilité du corps diminuent, ce qui précède souvent la perte de performance ou le “mur”.

• Conclusion pratique. Le cerveau prévient, l’IA confirme et rend actionnable. L’IA utile n’est pas celle qui fige une allure « magique », mais celle qui détecte tôt la dérive et propose des micro-ajustements.

Pourquoi le « pace constant » peut être dangereux

Les algorithmes grand public, nourris par des croyances en ligne, prescrivent souvent une allure strictement constante. Chez les non-élites, cela sur-sollicite au début, détruit la variabilité, et se paie par une skewness négative et une moyenne de course plus basse. À l’inverse, de petites oscillations contrôlées protègent la variabilité et améliorent la vitesse moyenne sur 42,195 km.

Mini-checklist coach (cerveau + IA)

1. Écouter tôt : si EEG/RPE/foulée « crie » trop dur alors que la FC semble sage, croire le cerveau.
2. Suivre la variabilité : surveiller variabilité locale (vitesse/foulée) et signature VAE ; une baisse de Lyapunov = drapeau jaune → micro-récupération avant l’effondrement.
3. Viser un histogramme symétrique : moyenne ≈ médiane ; si la traîne gauche s’allonge, corriger.
4. Oscillations planifiées : ±5–10 s/km autour d’un « confort-dur » individuel.
5. Personnaliser : calibrer à partir des tests (VO₂max, tolérance au déficit O₂, RPE) et laisser l’IA s’adapter à la personne, pas à l’internet.

Audace d’apprendre de l’erreur (esprit AZR)

À l’image du modèle AZR, qui progresse en échouant puis en s’ajustant sans étiquettes externes, l’athlète et le coach gagnent à expérimenter, analyser, corriger. L’erreur devient une donnée qui renforce la stratégie.

À retenir

• Le cerveau est l’alerte la plus précoce ; l’IA doit la respecter et l’exploiter.
• La perte de variabilité (Lyapunov ↓) précède le crash de vitesse : on peut prévenir le mur.
• Petites variations > pace rigide pour la performance moyenne.
• Choisissez votre IA… et faites confiance à votre cerveau.