Par Pucheu Suzon, lauréate de la bourse de participation au congrès SB 2025.
La gymnastique artistique féminine présente le deusième taux le plus élevé de blessures en NCAA (sport universitaire américain), et plus de la moitié de ces blessures touchent les membres inférieurs (Thomas et al. 2018). Ces blessures se produisent le plus souvent lors d’impacts (réceptions et impulsions) très nombreux dans ce sport. Les répétitions d’impacts au cours des entraînements peuvent alors être à l’origine de blessures liées à une surutilisation des membres. Un outil de suivi de charge d’entraînement pourrait donc permettre de quantifier les effets des impacts répétés et d’objectiver les mécanismes d’apparition de blessure.
Dans notre cas, lorsqu’on cherche à évaluer la charge d’entraînement des gymnastes, on cherche en réalité à quantifier les charges subies lors des impacts. Pour cela on peut placer un accéléromètre sur le sacrum des gymnastes, ainsi lorsque les gymnastes subiront un impact, son intensité sera mesurée grâce au capteur (de Freitas et al. 2024, Croteau et al. 2023). Cependant, au cours des entraînements, les gymnastes peuvent être amenées à tomber régulièrement sur leur dos. Le port d’un capteur peut alors devenir gênant. L’objectif de cette étude consiste à développer une méthode utilisant une mesure réalisée sur les tapis afin d’éviter le port d’un capteur par les gymnastes.
Il est donc nécessaire de construire un modèle permettant de passer de la mesure réalisée sur le tapis à celle qui serait faite si les gymnastes portaient un capteur. Comme les tapis sont difficiles à modéliser, on se tourne vers des réseaux de neurones, plus particulièrement des LSTM (Long short-term memory), souvent utilisés en mécanique des structures pour reconstruire des impacts à partir des accélérations mesurées sur la structure étudiée (Zhou et al. 2019).
Comme un grand nombre de données sont nécessaires pour entraîner un réseau de neurones, on utilise un impacteur mécanique pour impacter le tapis (figure 1a). Cela permet de récolter assez de données pour valider cette méthode sans augmenter la quantité d’impacts subis par des gymnastes. A l’aide de l’impacteur, on vient reproduire des impacts les plus proches possibles des réceptions. On mesure alors l’accélération au niveau de l’impacteur et sur les bords du tapis. Les accélérations mesurées sur le tapis sont alors utilisées en entrée de notre réseau de neurones composé d’une couche LSTM et d’une couche dense. Ce réseau présente une bonne capacité de reconstruction de l’accélération mesurée sur l’impacteur (figure 1b). Ainsi sur le dataset de test, on mesure une erreur de reconstruction du premier pic de 14,1%, une erreur de 6,09% pour l’intégrale de l’accélération et une RMSE sur l’intégralité de l’essai de 21,9%.
Cette étude nous a montré que cette méthode de reconstruction d’impact, à partir d’une mesure externe pourrait être applicable pour reconstruire l’accélération au niveau du sacrum des gymnastes. Pour cela, le modèle pourrait être réentraîné à l’aide de données mesurées sur des gymnastes pour quantifier les charges subies au cours des entraînements.
Figure : (a) Setup expérimental, (b) Accélération mesurée sur l’impacteur et reconstruite par le réseau de neurone.
Publication
Suzon Pucheu, Diane Haering, Mathieu Aucejo, Charles Pontonnier, Prediction of impactor acceleration when impacting a gymnastics mat using neural networks, Multidisciplinary Biomechanics Journal, 2025, vol. 2, p. 485–487, DOI: 10.46298/mbj.16196.
Références
Thomas, E. & Thomas, B. C., (2018). A systematic review of injuries in gymnastics. The Physician and Sportsmedicine, 47(1), 96–121. https://doi.org/10.1080/00913847.2018.1527646
De Freitas, E. G., Debien, P. B., da Silva, C. D., Carrara, P. D. S., & Bara Filho, M. G. (2024). Training load monitoring in elite youth women’s artistic gymnasts: A pilot study. Sports Health, 17(1), 80–87. https://doi.org/10.1177/19417381241263342
Croteau, F., Gaudet, S., Briand, J., & Clément, J. (2023). Case study of IMU loads and self-reported fatigue monitoring of water polo goalkeepers preparing for the Olympic games. Front. Sports Act. Living, 5, 1198003. https://doi.org/10.3389/fspor.2023.1198003
Zhou, J. M., Dong, L., Guan, W., & Yan, J. (2019). Impact load identification of nonlinear structures using deep Recurrent Neural Network. Mechanical Systems and Signal Processing, 133, 106292. https://doi.org/10.1016/j.ymssp.2019.106292
L'auteure
Pucheu Suzon, ENS Rennes,
Université de Rennes, Inria, CNRS, IRISA, M2S
Doctorante en deuxième année, elle travaille sur le développement d’outils de reconstruction de charge externe, et d’analyse du mouvement, afin de réduire les risques de blessure en gymnastique.
Copyright
© 2025 par l’auteure. Sauf mention contraire, le contenu du blog de la Société de Biomécanique (texte et figures) est distribué sous licence Creative Commons Attribution - Partage dans les mêmes conditions 4.0.