Identification de la fatigue neuromusculaire et mentale chez des jeunes pongistes d’élite à l’aide de l’apprentissage automatique

Pourquoi la fatigue chez les jeunes athlètes compte

Pour les jeunes joueurs de tennis de table visant la haute performance, la fatigue n’est pas qu’une sensation d’épuisement passager. Le corps et l’esprit peuvent ralentir silencieusement les réactions, altérer la technique et augmenter le risque d’erreurs voire de blessures. Pourtant, les entraîneurs disposent rarement d’un moyen objectif et en temps réel pour détecter si un joueur est mentalement ou physiquement fatigué. Cette étude examine si une raquette intelligente équipée de capteurs et des algorithmes modernes de reconnaissance de motifs peuvent détecter de minuscules variations dans les coups d’un joueur pour révéler son état de fatigue caché.

Une raquette intelligente qui ressent chaque impact

L’équipe de recherche a travaillé avec neuf des meilleurs jeunes pongistes français. Ils ont transformé une raquette ordinaire en outil de mesure en ajoutant un petit capteur de mouvement tridimensionnel dans le manche et quatre capteurs de pression aux endroits où la main saisit la raquette et où le pouce et l’index reposent sur la palette. À chaque frappe, la raquette enregistrait la rapidité de mouvement et la force de pression de la main à différents points. Ces signaux ont été échantillonnés à très haute fréquence, filtrés pour supprimer le bruit, normalisés, puis fusionnés en une seule trace de données par coup.

Concevoir des conditions de jeu fatiguées et fraîches

Pour relier ces profils de coups à différents types de fatigue, les scientifiques ont soigneusement établi trois conditions distinctes. Dans la première, les joueurs ont réalisé une tâche attentionnelle exigeante sur ordinateur pendant 90 minutes, connue pour épuiser l’énergie mentale sans fatiguer directement les muscles. Dans la deuxième, ils ont effectué des contractions excentriques intenses et répétées du biceps du bras de jeu jusqu’à perdre environ 15 % de leur force maximale au coude, induisant une fatigue musculaire évidente. Dans la condition témoin, ils ont simplement regardé un film cognitivement neutre. Avant et après chaque séance, les joueurs ont passé un test standardisé de tennis de table avec un lance-balles robotisé, tandis que leur vitesse de balle, leur précision et le nombre de fautes étaient mesurés. Ils ont également déclaré leur niveau de fatigue perçu et la difficulté ressentie, et la force de leur bras a été contrôlée avec un dispositif de mesure de force spécifique.

Des modifications cachées des coups vers des motifs reconnus

Les tests subjectifs et de force ont confirmé que les protocoles mentaux et physiques ont bien rendu les joueurs fatigués : la fatigue mentale a augmenté l’effort perçu et la sensation de fatigue, et la fatigue physique a réduit la force du bras comme prévu. De manière surprenante, les mesures classiques de performance telles que la vitesse et la précision de la balle ont à peine évolué de façon claire et statistiquement robuste entre les conditions, surtout dans ce petit groupe de jeunes très compétents. Cependant, en se tournant vers les données riches issues des capteurs de la raquette, une autre histoire est apparue. Les chercheurs ont alimenté des milliers de coups étiquetés — chacun marqué comme provenant d’une séance de fatigue mentale, de fatigue physique ou de la condition témoin — dans une série de modèles supervisés d’apprentissage automatique, incluant k-plus proches voisins et forêts aléatoires. Ces algorithmes ont appris à reconnaître des variations subtiles des courbes d’accélération et de la pression de préhension que l’œil ne détecte pas.

Apprendre aux ordinateurs à repérer les joueurs fatigués

Lorsque l’objectif était simplement de distinguer si un coup provenait d’un état fatigué ou non fatigué, le meilleur modèle, k-plus proches voisins, a correctement classé environ 84 % des cas. Lorsqu’il s’agissait de différencier trois états spécifiques — pas de fatigue, fatigue mentale et fatigue physique — le modèle de forêt aléatoire a atteint environ 82 % de précision. Cela signifie que, même si les joueurs parvenaient encore à frapper la balle avec à peu près la même vitesse et précision, la « signature » de leur raquette avait suffisamment changé pour qu’un système basé sur les données puisse le détecter. Des tests plus exigeants visant à généraliser entre joueurs ont montré des performances plus faibles, principalement parce que l’échantillon était réduit et que le style de chaque athlète était unique, mais ils suggèrent qu’il est possible de réentraîner des modèles au sein d’un groupe d’entraînement élite stable.

Ce que cela signifie pour l’entraînement et la santé

Concrètement, cette étude montre qu’une raquette intelligente et des algorithmes appropriés peuvent « écouter » la façon dont un jeune athlète bouge et signaler discrètement quand son corps ou son esprit est à court d’énergie, avant que des erreurs évidentes n’apparaissent. Les entraîneurs pourraient, à terme, utiliser de tels outils pour gérer les charges d’entraînement, prévenir les surutilisations et programmer des pauses tactiques ou mentales plus précises lors des séances et des compétitions. Bien qu’il faille encore étendre l’échantillon, multiplier les capteurs et développer des systèmes en temps réel avant que cela ne devienne un outil standard au bord du terrain, le message principal est clair : des changements subtils dans la façon de tenir et de balancer une raquette peuvent révéler si nous sommes frais, mentalement épuisés ou fatigués musculairement — et les machines sont déjà suffisamment capables de faire la distinction.

Citation: Delumeau, T., Deschamps, T., Plot, C. et al. Identifying neuromuscular and mental fatigue in elite youth table tennis players using machine learning. Sci Rep 16, 11812 (2026). https://doi.org/10.1038/s41598-026-40324-w

Mots-clés: tennis de table, fatigue sportive, capteurs portables, apprentissage automatique, jeunes athlètes