Marrions les pour « le Meilleur et le Pire » !
Car le secret d’une performance sur le marathon réside dans la recherche des variations de vitesse entre des extrêmes.
Et si finalement il n’y a pas de meilleur ou de pire dans un marathon mais plutôt des vitesses lentes et rapides dont l’alternance nous permet de trouver notre équilibre énergétique et émotionnel.
Je suis à la 40eme année de mon marathon de vie d’enseignant-chercheur et j’ai réussi à franchir le mur de la routine qui, tout comme en course, conduit à la lassitude et à la mise à la casse sur le lit des conventions et des poncifs scientifiques et politiques.
Avoir créé une start up m’a permis de travailler sur des sujets qui ne sont pas financés par les appels d’offres étatiques et industrielles : celui de l’entraînement sportif.
Ne cherchant ni honneur, ni argent mais que des moyens pour financer les jeunes chercheurs et leur donner le moyen de vivre la passion qui m’anime chaque matin depuis si longtemps que je n’ai rien vu…passé, j’ai pu travailler sur l’optimisation de l’entraînement et des performances en course et tout autre moyen de se déplacer sans moteur autre que le sien.
A ma 40eme année de recherche j’utilise à la fois l’intelligence animale que je prétends être suffisante pour bien s’entraîner et courir sans aucune technologie ni prescription pseudo scientifique qui courre à l’identique depuis…40 ans, et l’Intelligence artificielle qui me sert à analyser les réponses physiologiques et les variations d’état énergétique au cours de la course et en particulier du marathon.
Pourquoi le marathon ? parce que c’est une course à la fois populaire, qui s’est banalisée alors qu’elle reste l’acmé de l’endurance et de la puissance au contraire des ultra trucs qui se courent à …4 ,5 km/h. Oui, le marathon est l’un des tests ultimes de l’endurance et de la puissance humaines. Il met les coureurs au défi de maintenir leur résistance physique et mentale pendant 42,195 kilomètres. Les marathoniens d’élite font preuve de capacités extraordinaires. Les meilleurs athlètes masculins atteignent en moyenne 20 km/h et les femmes environ 19,3 km/h. De telles performances ne sont pas obtenues par un simple rythme constant, mais plutôt par des variations précises de la vitesse qui permettent d’équilibrer les exigences de la conservation de l’énergie et de la gestion de la fatigue.
https://publications.billatraining.com/publications/2022/marathon_perf_oscillations.pdf
Au cœur de cette stratégie de performance se trouve le concept de vitesse critique, une allure seuil qui représente la vitesse la plus rapide qu’un athlète peut maintenir en aérobie sans accumuler rapidement de la fatigue. Lorsqu’il court à cette allure ou à une allure inférieure, le corps peut maintenir un apport énergétique régulier et répondre à la demande musculaire en oxygène. En revanche, au-delà de cette vitesse, le métabolisme passe en mode anaérobie, ce qui accélère la fatigue. Les coureurs d’élite, grâce à un entraînement rigoureux, développent la capacité de courir à une vitesse proche ou supérieure à leur vitesse critique pendant des périodes de temps, optimisant ainsi leurs performances en variant entre des vitesses plus lentes et plus rapides.
https://publications.billatraining.com/publications/2022/marathon_perf_oscillations.pdf
Cette stratégie leur permet de maintenir leur énergie et de retarder la fatigue, maximisant ainsi leur potentiel sur la distance de la course sans atteindre leur absorption maximale d’oxygène qui ne peut être maintenue pendant une longue période (Billat, VO₂max) au contraire de ce qu’on l’on croit sans l’avoir mesuré dans des conditions de variations de vitesse optimale c’est-à-dire en ajustant la puissance ou vitesse de pédalage ou de course, de telle sorte que le cycliste ou le coureur puisse rester à VO2max sans être limité par la puissance musculaire.
Contrairement aux coureurs d’élite, les coureurs de loisir – un groupe démographique de plus en plus important et diversifié – adoptent souvent une approche rigide de l’allure, visant à maintenir une vitesse constante tout au long du marathon. Nous avons beaucoup publié sur ce fait (billatraining.com/publication) Cependant, cette stratégie conduit souvent à un phénomène connu sous le nom de « mur du marathon », une fatigue extrême qui apparaît généralement autour du 26ᵉ kilomètre. Ce phénomène résulte de l’épuisement des réserves de glycogène et d’un recours accru à des sources d’énergie moins efficaces, ce qui entraîne un ralentissement spectaculaire. Les coureurs de loisir qui se heurtent à ce mur connaissent souvent une chute brutale de leur vitesse, ce qui se traduit par une vitesse médiane finale bien inférieure à leur rythme de départ. Ce problème d’allure met en évidence la nécessité d’une stratégie plus adaptative qui pourrait aider les coureurs à atteindre leur meilleure performance sans subir de graves déficits énergétiques dans les dernières étapes de la course.
https://publications.billatraining.com/publications/2022/oxygen_uptake_marathon.pdf
Au fur et à mesure que les coureurs progressent dans le marathon, en particulier dans les 15 derniers kilomètres, leurs indicateurs physiologiques, tels que la fréquence cardiaque, la VO₂ (consommation d’oxygène) et la fréquence respiratoire, présentent une variabilité croissante, ou entropie. Dans ce contexte, l’entropie reflète la fluctuation de l’état physiologique du corps qui tente de répondre aux exigences croissantes d’un effort prolongé.
Nous avons montré récemment que le mur du marathon correspondait à la chute de l’entropie de Shannon en dessous de 50% de sa valeur moyenne de la course. L’Entropie * fait référence au degré de prévisibilité des données physiologiques du coureur. Cela signifie que nous subissons alors la course et que nous ne pouvons plus varier son allure. Notre course devient extrêmement prévisible comme si nous passions d’un tirage au sort d’une urne aux boules multi colore à un mono colore tellement prévisible. Curieusement alors que notre vitesse chute dramatiquement, notre VO2 reste stable et notre fréquence respiratoire augmente alors que nous ne comburons plus de glucose mais surtout des lipides. Au cours du marathon, alors que la température corporelle augmente, l’entropie de Shannon diminue au cours des 10 derniers kilomètres, ce qui indique que les réponses physiologiques deviennent moins variées et plus prévisibles à mesure que le corps atteint un état de fatigue. Cette réduction de l’entropie informationnelle suggère que la capacité du corps à s’adapter dynamiquement est compromise, ce qui réduit l’efficacité des mécanismes d’autorégulation dans les dernières étapes de la course.
https://publications.billatraining.com/publications/2024/sports-12-00252.pdf
Notre intelligence Animale nous avons pourtant prévenue dès le 15em kilomètre ainsi que nous le montre une étude pi lote sur les réponses électriques du cerveau dès le 15em kilomètre alors que le coureur ayant décidé de courir en moins de 3h pour battre son record, s’était fixé l’allure constante correspondante (14 km/ ou 4min15s au km ou 6min50s par mile).
Alors, puisque vous ne voulez pas vous faire confiance et utiliser votre intelligence animale (ce que font très bien les chiens en cani cross par exemple, nous y reviendrons), voyons du côté de l’Intelligence Artificielle si on détecte dans votre pattern de variation (ou non) de vitesse a postériori, au moins une image en 2 D réduisant toute la matrice de 24 données physiologiques et biomécaniques enregistrées en course.
Figure 1 : Signatures de 8 coureurs pour l’ensemble de données K5 : tous très différents !
Code couleur : vous avez le temps en % du temps écoulé 0,2 = 20% du temps de course couleur bleu foncé et 90% du temps de la course en vert claire. Les variables x et y sont des variables qui sortent de la réduction par l’encodeur.
Cela est possible par l’utilisation d’un encodeur automatique variable qui est une voie prometteuse pour améliorer les stratégies d’allure en temps réel. Cette technologie basée sur l’intelligence artificielle peut analyser des signaux physiologiques complexes et les traduire en informations exploitables pour le coureur.
Figure 2 Illustration de l’architecture du modèle d’auto encodeur variationnel (VAE)
Les composants codeur et décodeur d’un auto-encodeur standard sont généralement mis en œuvre à l’aide de réseaux neuronaux de type feedforward. Pendant la formation, l’auto-encodeur vise à minimiser la différence entre l’entrée originale et la sortie reconstruite. Ce processus encourage le réseau à apprendre un codage significatif des données d’entrée dans l’espace latent. Les auto-encodeurs ont trouvé des applications dans divers domaines, notamment le débruitage d’images, la détection d’anomalies et l’extraction de caractéristiques.
Si les AE classiques sont efficaces pour apprendre des représentations compactes des données, ils ne disposent pas d’une interprétation probabiliste, ce qui les limite dans les tâches qui nécessitent une estimation de l’incertitude ou des capacités génératives. Les auto-encodeurs de variation (VAE) remédient à cette limitation en introduisant la modélisation probabiliste dans le cadre de l’auto-encodeur.
Les VAE réinterprètent l’espace latent comme une distribution de probabilité, ce qui permet de générer de nouveaux échantillons de données par échantillonnage à partir de cette distribution. Le principe clé des VAE est d’imposer une contrainte à la distribution de l’espace latent pour l’encourager à suivre une distribution préalable spécifique, souvent une distribution gaussienne. Cette contrainte est généralement imposée à l’aide de la divergence de Kullback-Leibler (KL), qui encourage la distribution apprise à ressembler à la distribution préalable choisie. Pendant la formation, les VAE visent à minimiser deux composantes principales de la fonction de perte : la perte de reconstruction, qui garantit une reconstruction fidèle des données, et la divergence de KL, qui aligne la distribution latente apprise sur la distribution préalable souhaitée. L’équilibre entre ces deux composantes permet aux VAE de générer de nouveaux échantillons de données qui présentent à la fois des variations significatives et une adhésion à la distribution sous-jacente des données.
En encodant dynamiquement des données provenant de variables telles que la fréquence cardiaque, le VO₂, la vitesse et l’effort perçu, un encodeur automatique variable peut fournir une image continuellement mise à jour de l’état du coureur. Intégré à un appareil cardio-GPS, ce codeur pourrait permettre aux coureurs de recevoir des ajustements d’allure personnalisés basés sur leur état physique en temps réel. Cela les aiderait à optimiser les fluctuations de vitesse sans dépasser leurs limites et à apprendre à faire le lien entre leur chute et ce que leur indique leur réponse physiologique réelle en % de leur VO2max. En effet, l’IA pourrait aider à synchroniser le rythme avec l’échelle de Borg pour la perception de l’effort (Borg, 1982).
Lors d’un entraînement structuré, les coureurs sont souvent familiarisés avec différents niveaux d’effort, généralement évalués à l’aide de l’échelle de Borg de l’effort perçu. Cette échelle va de 6 à 20, chaque niveau correspondant à une sensation subjective d’effort et de difficulté. Les niveaux couramment utilisés pour l’entraînement au marathon sont les suivants :
11 (allure facile) : Confortable, peut tenir une conversation.
14 (rythme modéré) : Un peu difficile, plus stimulant mais soutenable.
17 (rythme soutenu) : Très éprouvant, mais soutenable sur de courtes distances.
20 (effort maximal) : Proche de l’épuisement, insoutenable sur de longues durées).
Ces niveaux d’effort perçus permettent aux coureurs d’ajuster leur rythme en fonction des exigences de la course. Dans cette étude, nous cherchons à déterminer si un système d’intelligence artificielle peut apprendre ces niveaux d’effort individuels par le biais de tests d’étalonnage, établissant ainsi une « signature » énergétique personnalisée. Cette signature, basée sur la VO₂max, la tolérance au déficit d’oxygène et l’effort perçu, pourrait alors informer les ajustements d’allure assistés par l’IA fournis pendant la course.
Notre objectif pour ce 41em km année de travail, est de déterminer si un système alimenté par l’IA qui analyse des données physiologiques sophistiquées offre une stratégie d’allure plus efficace pour les marathoniens que les dispositifs cardio-GPS traditionnels. En apprenant et en codant les réponses physiologiques uniques de chaque coureur et ses besoins en matière d’allure, nous espérons créer un assistant d’allure adaptable qui pourrait aider les coureurs à atteindre leur allure optimale et à éviter les pièges d’un maintien rigide de la vitesse. – Comment les coureurs de loisir peuvent-ils entrer leurs profils d’allure personnalisés dans des appareils cardio-GPS afin de permettre à l’IA de les guider à travers des variations de vitesse optimales sur la distance du marathon ?
Cette année 2025 va aborder les questions clés suivantes :
1. Un système d’IA utilisant un codeur automatique variable et des signatures énergétiques apprises peut-il aider les coureurs à mieux gérer leur allure ?
2. L’assistance à l’allure par l’IA réduit-elle la probabilité de heurter le mur du marathon ?
3. L’allure assistée par l’IA peut-elle améliorer les performances et réduire les risques pour la santé, en particulier dans des conditions de chaleur croissante ?
L’allure assistée par l’IA peut-elle améliorer les performances et réduire les risques pour la santé, en particulier dans des conditions de chaleur croissante ?
Grâce à cette approche, nous visons à aider les coureurs à atteindre leur meilleur niveau personnel dans des conditions d’allure sûres et optimisées, en favorisant le plaisir et la durabilité de la participation aux marathons pour une population de coureurs diversifiée et vieillissante.
Alors, si vous voulez en être de cette aventure qui marie les deux IA, envoyez-nous vos courses afin que l’on apprenne grâce à vous et qu’on en apprenne sur vous pour vous prodiguer des conseils et surtout la confiance qui vous fera courir en suivant votre inspiration pour
Le meilleur et …le pire.
C’est cela qui est fascinant avec le marathon : le futur ne peut être prédit que par le présent et surtout pas le passé comme un processus stochastique de type Markovien dans lequel l’information utile pour la prédiction du futur est entièrement contenue dans l’état présent du processus et n’est pas dépendante des états antérieurs (le système n’a pas de « mémoire »).
Ne pas avoir de mémoire pour être sans rancœur, frais, dispo et aller de l’avant sans jamais entrevoir l’arrivée
Ma chanson préférée est toujours celle de Léo Ferré qui chante : « mon passé…laissez moi passer.. »
Bonne écoute à tous et bonne semaine.
https://www.paroles.net/leo-ferre/paroles-monsieur-mon-passe
Laisser un commentaire