Quantification des volumes de mouvements en abduction chez les joueuses de water‑polo à l’aide d’unités de mesure inertielle et de techniques d’apprentissage automatique : étude transversale

Pourquoi suivre les déplacements en water‑polo est important

Pour les joueuses de water‑polo de haut niveau, chaque nage, passe et tir se traduit par des centaines de mouvements puissants du bras au cours d’un seul entraînement. Ces actions répétées au-dessus de la tête contribuent aux victoires, mais elles sollicitent fortement les épaules et les coudes. Les entraîneurs savent qu’un excès de lancers ou de séances de natation à haute intensité augmente le risque de blessures par surutilisation, mais ils s’appuient aujourd’hui sur des analyses vidéo longues ou leur intuition pour estimer la charge d’entraînement. Cette étude examine si de petits capteurs étanches de mouvement, combinés à des algorithmes informatiques modernes, peuvent compter et classifier automatiquement ces gestes en temps réel — offrant une nouvelle manière de protéger les épaules des athlètes tout en optimisant la performance.

Du bord du bassin au flux de données

Les chercheurs ont travaillé avec dix joueuses de champ classées au niveau national dans un programme australien de haute performance. Lors de quatre séances d’entraînement typiques dirigées par l’entraîneur — chacune durant environ une heure et trois quarts — les athlètes portaient deux petits dispositifs appelés capteurs inertiels : l’un collé sur l’avant‑bras et l’autre juste sous la nuque. Ces capteurs ont enregistré l’accélération et la rotation du bras et du haut du corps pendant la nage libre, les passes, les tirs et les blocs. Parallèlement, deux caméras vidéo ont filmé les séances. Un entraîneur expérimenté a ensuite visionné les images et étiqueté avec soin chaque mouvement au-dessus de la tête, créant une « vérité terrain » de référence permettant de tester le système basé sur capteurs.

Apprendre aux ordinateurs à reconnaître les gestes aquatiques

Transformer des signaux bruts de capteurs en actions identifiables a nécessité plusieurs étapes. D’abord, l’équipe a filtré les données pour éliminer le bruit dû aux éclaboussures et aux mouvements corporels généraux, puis a repéré les pics nets marquant les actions individuelles du bras. Autour de chaque pic, ils ont calculé un ensemble riche de statistiques simples — telles que la moyenne, la dispersion et la forme de l’accélération dans chaque direction au niveau du poignet et du haut du dos. Chaque événement a été classé dans l’une des cinq catégories : nage, lancers à haute intensité vers le but, passes à faible intensité, blocs où la balle a touché la main, et blocs sans contact avec la balle. Comme certaines actions, comme les tirs puissants, étaient moins fréquentes que la nage continue, les chercheurs ont utilisé une technique d’équilibrage des données pour s’assurer que les événements rares restaient visibles pour les algorithmes lors de l’entraînement.

Quel modèle déchiffre le mieux l’eau ?

L’équipe a ensuite entraîné et comparé cinq modèles courants d’apprentissage automatique — des méthodes informatiques qui apprennent des motifs à partir des données — pour déterminer lequel pouvait le mieux deviner le type de mouvement à partir des caractéristiques des capteurs. Sur plus de 18 000 mouvements étiquetés, une méthode appelée forêt aléatoire (random forest) a obtenu les meilleurs résultats. Elle a correctement classé environ les trois quarts des événements et était particulièrement performante pour repérer les mouvements de nage et les passes douces. D’autres modèles, y compris des arbres de décision simples, la régression logistique et un réseau de neurones, étaient moins précis. En examinant quelles caractéristiques de capteur importaient le plus, les chercheurs ont constaté que certaines directions d’accélération du bras, en particulier au niveau de l’avant‑bras et du haut du dos, étaient cruciales pour distinguer les blocs et tirs puissants des mouvements plus détendus.

Ce que cela signifie pour l’entraînement et le risque de blessure

Bien que le système basé sur la forêt aléatoire n’ait pas atteint l’objectif initial des chercheurs de 95 % de précision, il constitue néanmoins une preuve de concept importante. L’étude montre qu’il est possible de surveiller l’ensemble des actions au‑dessus de la tête lors de séances d’entraînement réelles et bruyantes — et pas seulement lors d’exercices strictement contrôlés — en n’utilisant que deux petits dispositifs portables et un classificateur automatique. Avec des jeux de données plus importants recueillis sur de plus longues périodes et lors de matchs officiels, l’approche pourrait être affinée pour suivre comment le volume de lancers et de nages de chaque joueuse évolue au fil d’une saison, ou durant une reprise après une blessure à l’épaule. Ce type d’enregistrement objectif, séance après séance, pourrait aider les entraîneurs à adapter les charges de travail, à aligner les exigences de l’entraînement sur la réalité des matchs et à repérer des pics soudains susceptibles d’indiquer un risque accru de blessure.

Message essentiel pour les athlètes et les entraîneurs

En termes simples, cette étude montre que des capteurs intelligents peuvent « observer » une séance de water‑polo féminine et indiquer de manière raisonnable si une joueuse nage, passe, tire ou bloque, sans recourir à une analyse vidéo manuelle et lente. Bien que le système actuel ne soit pas parfait, il offre une base solide pour développer des outils pratiques qui consignent automatiquement la quantité de travail au‑dessus de la tête réalisée par chaque athlète. À l’avenir, de tels outils pourraient étayer les décisions partagées sur les plans d’entraînement et le retour au jeu en toute sécurité, en fournissant aux entraîneurs, au personnel médical et aux athlètes une meilleure visibilité sur la charge invisible supportée par l’épaule — et ainsi contribuer potentiellement à maintenir un plus grand nombre de joueuses en bonne santé et dans la piscine.

Citation: King, M.H., Sanchez, R., Watson, K. et al. Quantifying women’s water polo overhead movement volumes using inertial measurement units and machine learning techniques: a cross-sectional study. Sci Rep 16, 5773 (2026). https://doi.org/10.1038/s41598-026-36402-8

Mots-clés: water polo, capteurs portables, blessure de l’épaule, apprentissage automatique, sportives