La thermographie infrarouge basée sur l’apprentissage profond révèle des réponses thermorégulatrices uniformes et individuelles reproductibles lors de la course

Observer la montée de la chaleur corporelle

Lorsque nous partons courir, notre corps gère discrètement plusieurs tâches à la fois : activer les muscles, fournir de l’oxygène et évacuer l’excès de chaleur. Cette étude examine une nouvelle manière d’observer cet équilibre en temps réel — en utilisant des caméras thermiques et l’intelligence artificielle pour suivre la variation de la température cutanée des coureurs pendant l’exercice. Les résultats suggèrent que de simples images thermiques sans contact des jambes peuvent révéler à la fois des schémas communs à la majorité des coureurs et des différences personnelles subtiles liées à la capacité de performance.

Photographier la chaleur pendant la course

Les chercheurs ont invité onze jeunes adultes en bonne santé et entraînés en endurance dans un laboratoire contrôlé. Chaque participant a réalisé trois séances de course sur tapis roulant réparties sur deux jours. Le travail total de chaque séance était identique, mais les profils d’intensité variaient : l’une était constante, une autre passait d’un effort constant à des intervalles, et la troisième faisait l’inverse. Pendant la course, l’équipe a suivi la fréquence cardiaque, la respiration, la température centrale (à l’aide de capteurs internes et externes), l’effort perçu, la perte de sueur et — élément crucial — les motifs de chaleur au niveau des mollets grâce à une caméra infrarouge haute résolution placée derrière le tapis roulant.

Laisser l’intelligence artificielle interpréter les cartes thermiques

Plutôt que de délimiter manuellement des régions sur les images thermiques, l’équipe a utilisé l’apprentissage profond — une forme d’intelligence artificielle — pour reconnaître automatiquement les mollets et séparer différents types de régions vasculaires. Pour chaque image, le système a calculé plusieurs métriques de température cutanée : la température moyenne du mollet, la température des zones sans vaisseaux visibles, ainsi que les températures au-dessus de petites artères et de veines superficielles. Il a aussi mesuré « l’entropie », une statistique décrivant la variabilité des motifs de température à la surface de la peau. Ces mesures ont ensuite été synchronisées avec les données cardiaques, respiratoires et de température centrale, produisant des séries temporelles détaillées couvrant l’échauffement, les phases principales de course et la récupération.

Schémas de chaleur partagés et signatures individuelles

Sur les trois séances, les différentes mesures de température cutanée augmentaient et diminuaient en phase avec les variations d’intensité de course, même si leurs valeurs absolues différaient. Les zones au-dessus de petits vaisseaux artériels montraient des liens particulièrement forts avec la fréquence cardiaque et la consommation d’oxygène, surtout pendant les intervalles à haute intensité et la récupération, ce qui suggère qu’elles sont des marqueurs sensibles de l’effort et de la rapidité d’évacuation de la chaleur une fois l’effort interrompu. L’entropie de ces régions vasculaires suivait la température centrale pendant l’échauffement, reflétant comment la chaleur se répartit sur la peau à mesure que le corps se réchauffe. Parallèlement, des différences individuelles notables étaient présentes. Chez certains coureurs — notamment ceux ayant une plus grande capacité de course sous-maximale — la température de la peau sans vaisseaux évoluait en sens inverse de la température centrale, créant des écarts plus marqués entre la chaleur profonde et la peau plus fraîche. Ces écarts reflètent probablement des ajustements du flux sanguin plus efficaces permettant d’évacuer la chaleur tout en maintenant la température centrale sous contrôle.

Mesures fiables d’un jour à l’autre

Une question clé était de savoir si ces mesures thermiques sont suffisamment stables pour être utiles au‑delà d’un test unique. L’étude montre que les variations de température de la peau sans vaisseaux, en particulier pendant l’échauffement, les intervalles et la récupération, étaient hautement reproductibles chez un même individu à travers les trois séances, même lorsque l’ordre et le profil des charges changeaient. Les tendances au niveau du groupe étaient également cohérentes. Une fiabilité moindre est apparue pour certains segments continus de course précédés par des types d’effort différents, soulignant que l’histoire récente de l’exercice peut momentanément reconfigurer le flux sanguin cutané et la température. Dans l’ensemble, cependant, l’analyse automatisée a fourni des signaux robustes et reproductibles dans des conditions de salle bien contrôlées.

Ce que cela signifie pour les athlètes et la surveillance de la santé

Ces résultats montrent qu’une analyse intelligente des images thermiques peut saisir à la fois les manières communes dont l’humain régule sa température en course et les variations individuelles liées à l’aptitude à maintenir des vitesses sous-maximales. L’apprentissage profond transforme un flux d’images thermiques en chiffres cohérents qui se recoupent avec les données cardiaques, respiratoires et de température centrale. À l’avenir, ce type de surveillance sans contact pourrait aider entraîneurs et cliniciens à suivre la charge interne, détecter précocement des signes de surchauffe ou adapter l’entraînement en fonction de l’efficacité avec laquelle le corps d’un coureur évacue la chaleur — et pas seulement en se basant sur son niveau de forme maximal sur le papier.

Citation: Weber, V., López, D.A., Ochmann, D.T. et al. Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running. Sci Rep 16, 10525 (2026). https://doi.org/10.1038/s41598-026-44102-6

Mots-clés: thermographie infrarouge, physiologie de l’exercice, apprentissage profond, thermorégulation, performance en course