Reconnaissance de la posture humaine et détection automatisée des scores pour la rééducation sportive

Aide plus intelligente pour les exercices de récupération

Quiconque a suivi une physiothérapie sait combien il est difficile de répéter correctement les mêmes mouvements, jour après jour, souvent sans savoir s’ils sont « suffisants ». Cette étude présente un assistant informatique qui observe les exercices de rééducation via une caméra, analyse la posture en temps réel et attribue automatiquement une note mesurant dans quelle mesure chaque mouvement correspond à une référence validée par un thérapeute. L’objectif est d’offrir aux patients un retour immédiat et objectif, d’alléger la charge du personnel médical, tout en rendant la rééducation plus précise et plus motivante.

Pourquoi il est important d’observer chaque articulation

La rééducation sportive moderne repose largement sur la précision avec laquelle nous pouvons observer et mesurer les mouvements du corps. Les méthodes d’évaluation traditionnelles dépendent du regard et de l’expérience du thérapeute, qui sont précieux mais subjectifs et chronophages. De petites erreurs de posture, comme un genou légèrement tordu ou un angle d’épaule limité, peuvent ralentir la récupération voire provoquer de nouveaux problèmes, et pourtant elles sont faciles à manquer lors de séances chargées. Les auteurs soutiennent qu’un « second regard » numérique qui suit la position des articulations image par image pourrait fournir des jugements plus cohérents, soutenir les soins à distance et aider à adapter les programmes d’exercices à la progression de chaque personne.

Un coach numérique en trois étapes

Le système développé par les auteurs fonctionne comme une chaîne de traitement en trois étapes principales. D’abord, une caméra enregistre la personne réalisant des exercices de rééducation, tels que des squats, des fentes ou des élévations de bras après une chirurgie du dos. Un outil de suivi de posture nommé BlazePose transforme ensuite chaque image vidéo en un modèle squelettique composé de 33 points clés — hanches, genoux, épaules, etc. — capturant l’agencement et le mouvement du corps dans le temps. Ensuite, une méthode d’apprentissage automatique connue sous le nom de forêt aléatoire analyse les motifs formés par ces points clés et détermine quel type de mouvement est exécuté et si la posture paraît normale ou anormale. Cela permet au système de reconnaître de nombreux types d’exercices en conditions réelles, où l’arrière-plan est encombré et où des parties du corps peuvent être momentanément masquées.

Comment le système apprend à noter comme un expert

Reconnaître une posture ne résout qu’une partie du problème ; l’autre partie consiste à évaluer dans quelle mesure elle correspond à un mouvement « référence ». Pour cela, les chercheurs ajoutent un type particulier de réseau neuronal en paires qui excelle dans la comparaison. Le réseau est entraîné sur des paires d’exemples de mouvement : l’un provenant d’un modèle d’exercice standard et l’autre d’un patient. Il apprend à mesurer la similarité entre les deux en examinant les positions et les angles articulaires au fil du temps. Une mesure de similarité convertit ensuite cette comparaison en un score de qualité, à la manière d’une version numérique d’un expert remplissant une grille d’évaluation. Les mouvements qui suivent de près le modèle standard obtiennent des scores élevés, tandis que ceux qui s’en écartent sont signalés comme insuffisants, ce qui permet au système d’indiquer les exercices nécessitant une correction.

Mettre l’assistant numérique à l’épreuve

Pour vérifier si leur outil est prêt pour une utilisation pratique, les auteurs l’ont testé sur deux grandes collections de données de mouvements : l’une contenant de nombreuses poses du quotidien et l’autre centrée sur le yoga et les exercices de fitness. Ils ont comparé leur système intégré à des alternatives plus simples qui utilisaient soit un classificateur basique, soit un réseau neuronal temporel seul. Dans ces tests, la nouvelle méthode a reconnu les postures corporelles avec jusqu’à 98 % de précision, a maintenu l’erreur sur l’estimation des angles articulaires en dessous d’environ 6 % et a produit des scores de rééducation fortement corrélés aux évaluations de type expert. Elle a également fonctionné suffisamment vite — de l’ordre de quelques millisecondes à quelques dizaines de millisecondes par image — pour permettre un retour en temps réel lors des séances d’entraînement.

Ce que cela signifie pour les patients et les thérapeutes

Concrètement, l’étude montre qu’une caméra couplée à un logiciel intelligent peut « voir » de façon fiable comment les personnes bougent, classifier chaque exercice et en juger la qualité d’une manière cohérente avec les experts humains. Bien que le système nécessite encore des essais dans des contextes plus variés et avec différents groupes de patients, il démontre déjà que le suivi de pose et la notation automatisés peuvent devenir un précieux assistant en rééducation sportive. S’il est affiné et déployé à grande échelle, un outil de ce type pourrait fournir des consignes plus claires aux patients, les encourager grâce à un retour immédiat et libérer les thérapeutes pour qu’ils se concentrent sur des décisions de plus haut niveau — améliorant in fine les résultats de récupération et la qualité de vie.

Citation: Peng, X., Mao, X. & Fang, X. Human pose recognition and automated scoring detection for sports rehabilitation. Sci Rep 16, 13545 (2026). https://doi.org/10.1038/s41598-026-43294-1

Mots-clés: rééducation sportive, estimation de la pose humaine, notation automatisée des mouvements, technologie en physiothérapie, vision par ordinateur en santé