Optimisation adaptative de la charge d'entraînement pour les athlètes de piste : une approche par apprentissage par renforcement

Un entraînement plus intelligent pour les coureurs du quotidien

Quiconque s'est entraîné pour une course connaît l'équilibre délicat entre pousser suffisamment pour progresser et éviter le surentraînement qui mène à l'épuisement ou à la blessure. Cette étude montre comment des idées issues de l'intelligence artificielle peuvent aider à concevoir des plans d'entraînement quotidiens pour les athlètes de piste qui répondent à la façon dont leur corps gère réellement la charge, et pas seulement à ce qui figure dans un calendrier figé.

Pourquoi les plans simples sont insuffisants

Les programmes d'entraînement traditionnels suivent souvent un schéma rigide d'augmentation du kilométrage ou de l'intensité chaque semaine, avec seulement quelques blocs de repos. Les entraîneurs essaient d'ajuster selon leur expérience, mais ils ne peuvent pas suivre précisément l'accumulation invisible de fatigue propre à chaque athlète. Les individus diffèrent par leur sommeil, leur stress et leur récupération, de sorte que deux coureurs suivant le même plan peuvent réagir très différemment. En conséquence, certains athlètes stagnent, d'autres s'effondrent, et les objectifs planifiés sont souvent manqués au cours d'une longue saison.

Transformer l'athlète en jumeau numérique

Les chercheurs ont collecté des données quotidiennes détaillées de 25 athlètes de piste sur une saison de 24 semaines. Chaque jour, ils ont enregistré la variabilité de la fréquence cardiaque, un score de qualité du sommeil issu d'une montre, et des mesures de charge d'entraînement capturant à la fois l'effort récent et l'effort à plus long terme. Ils ont également suivi un indicateur de performance clé : le temps hebdomadaire sur 400 mètres. À partir de ces enregistrements, ils ont construit un double numérique de l'athlète. Ce jumeau numérique peut prédire comment la performance et les signaux corporels évolueraient si l'entraînement était rendu plus dur, plus long ou plus facile un jour donné, sans expérimenter sur la personne réelle.

Comment l'entraîneur intelligent apprend

Sur ce jumeau numérique, l'équipe a entraîné un système de décision basé sur l'apprentissage profond par renforcement. À chaque étape, le système observe l'état actuel de l'athlète sous la forme d'un instantané en six parties des signaux corporels, du sommeil, de la charge de travail et de la performance. Il choisit alors l'une des trois actions : augmenter l'intensité de la séance, augmenter le volume d'entraînement, ou prescrire une récupération active. Après chaque choix, le jumeau numérique montre le nouvel état, et le système reçoit un score qui récompense des temps plus rapides sur 400 mètres mais pénalise les signes de surcharge, tels qu'une charge à court terme très élevée par rapport à la charge à long terme ou des baisses de variabilité cardiaque et de qualité du sommeil. Sur de nombreuses milliers de semaines simulées, le système apprend quelles séquences de décisions conduisent à des gains à long terme sans dériver vers des zones à risque.

Performance comparée aux plans de type humain

Les auteurs ont comparé leur planificateur adaptatif à plusieurs alternatives réalistes, y compris un plan fixe augmentant la charge chaque semaine, un système de règles conçu manuellement qui maintient simplement la charge dans une plage sûre, une règle d'apprentissage automatique qui poursuit toujours la meilleure récompense à court terme, et un apprenant par renforcement classique basé sur des tables. Toutes les approches ont amélioré les temps sur 400 mètres au cours de la saison, mais le système adaptatif à apprentissage profond a obtenu les plus grands gains tout en évitant presque systématiquement la zone dangereuse pour le risque de blessure. En revanche, les méthodes statiques et gourmandes poussaient souvent la charge hebdomadaire à des niveaux dangereux, et la conception purement axée sur la santé maintenait les athlètes en sécurité au prix de la majeure partie de l'amélioration possible de la vitesse.

Ce que cela signifie pour les athlètes et les entraîneurs

Pour un lecteur non spécialiste, le message clé est que l'entraînement n'a pas à être de la devinette. En prêtant une attention fine à des signaux corporels simples comme le rythme cardiaque, le sommeil et l'intensité des séances récentes, et en laissant un système d'apprentissage tester de nombreux scénarios hypothétiques en simulation, les entraîneurs peuvent générer des suggestions d'entraînement quotidiennes à la fois ambitieuses et prudentes. Bien que cette étude soit une première preuve de concept utilisant un petit groupe d'athlètes de piste et des choix simplifiés, elle montre qu'une approche équilibrée et informée par les données peut aider les athlètes à devenir plus rapides tout en réduisant fortement le temps passé dans des états à haut risque.

Citation: Zhang, Q., Wang, Q. & Niu, Y. Adaptive training load optimization for track and field athletes: A reinforcement learning approach. Sci Rep 16, 14862 (2026). https://doi.org/10.1038/s41598-026-41946-w

Mots-clés: charge d'entraînement, apprentissage par renforcement, athlétisme, risque de blessure, variabilité de la fréquence cardiaque