Apports de modèles de prédiction en apprentissage automatique dans le suivi de l’entraînement en Football professionnel

The contribution of machine learning prediction models to training monitoring in professional soccer

• Auteur / Autrice : Emmanuel Vallance
• Direction : Stéphane Perrey
• Type : Projet de thèse
• Discipline(s) : Sciences du Mouvement Humain - MPL
• Date : Inscription en doctorat le ; Soutenance le 15/11/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Sciences du Mouvement Humain (Marseille ; 2004-....)
• Partenaire(s) de recherche : Laboratoire : EuroMov Digital Health in Motion
• Jury : Président / Présidente : Nicolas Babault
• Jury : Examinateurs / Examinatrices : Stéphane Perrey, Nicolas Sutton charani, Patrice Guyot, Alexandre Dellal, Jacques Prioux, Florence Razan
• Jury : Rapporteurs / Rapporteuses : Jacques Prioux, Florence Razan

Mots clés

Mots clés libres

Apprentissage machine

Analyse de performance

Gps

Arbres de décisions

Football

Blessure

Machine learning

Performance analysis

Gps

Decision trees

Soccer

Injury

Résumé

Dans le domaine du football, de nombreuses études se sont déjà intéressées aux activités techniques, tactiques et physiques des joueurs, ainsi qu'à leurs effets sur les risques de blessures, et aux résultats obtenus suite à la modification des charges et des dynamiques de travail à l'entraînement. Par conséquent, étant donné la multitude de données disponibles dans le football moderne, l'utilisation de méthodes d'apprentissage automatique ou machine (ML) sur un ensemble de variables apparaît pertinente pour fournir des informations complémentaires à visée prédictive aux professionnels de l'entraînement. La présente thèse s’est concentrée sur l'optimisation de la préparation physique des joueurs de football en exploitant des méthodes ML pour prédire les adaptations de la charge d'entraînement, en intégrant un indicateur de charge interne, le RPE (Rate of Perceived Exertion), comme donnée d'entrée, et en considérant des horizons temporels distincts. Deux études longitudinales ont été menées dans le cadre de cette recherche. Dans une première étude, nous avons exploré l'utilisation d'une combinaison d’indicateurs de charges d'entraînement interne et externe pour prédire les risques de blessure chez des joueurs de football professionnel. Pour la prédiction sur une semaine, les données de RPE étaient plus précises que les caractéristiques de charge externes, tandis que pour la prédiction sur un mois, les meilleures performances des classificateurs (notamment les forêts aléatoires) ont été atteintes en combinant les caractéristiques de charge internes et externes. Dans une seconde étude, en confrontant plusieurs algorithmes de classification, nous avons évalué la capacité à prédire les valeurs RPE à partir des variables de la charge externe chez les joueurs de football professionnels dans une perspective chronologique. Les modèles ML basés sur des arbres ont montré une capacité prédictive statistiquement significative, indiquant des informations précieuses pour comprendre les réponses à la charge d'entraînement basées sur les données RPE antérieures. En conclusion, cette thèse a permis de mettre en évidence l'importance de la charge interne, le RPE, dans la prédiction des adaptations de la charge d'entraînement chez les joueurs de football. Les résultats obtenus ouvrent de nouvelles perspectives pour améliorer l'efficacité de la préparation physique des joueurs, contribuant ainsi à une meilleure gestion de leur performance tout au long de la saison. Cependant, pour aller encore plus loin dans cette voie, des recherches futures seront nécessaires pour affiner les modèles prédictifs, prendre en compte d'autres facteurs spécifiques aux joueurs et consolider l'utilisation des méthodes d'apprentissage automatique dans le domaine du football. Ces avancées prometteuses pourraient également être étendues à d'autres sports collectifs, renforçant ainsi les bénéfices pour les athlètes, les entraîneurs et les professionnels du sport.

In the field of football, numerous studies have already focused on the technical, tactical and physical activities of players, as well as their effects on the risk of injuries, and the results obtained following the modification of loads and work dynamics. in training. Therefore, given the multitude of data available in modern football, the use of automatic or machine learning (ML) methods on a set of variables appears relevant to provide additional information with a predictive aim to coaching professionals. . The present thesis focused on optimizing the physical preparation of football players by exploiting ML methods to predict training load adaptations, integrating an internal load indicator, the RPE (Rate of Perceived Exertion ), as input data, and considering distinct time horizons. Two longitudinal studies were conducted as part of this research. In a first study, we explored the use of a combination of internal and external training load indicators to predict injury risks in professional football players. For one-week prediction, RPE data was more accurate than external load features, while for one-month prediction, the best performance of classifiers (including random forests) was achieved by combining load features internal and external. In a second study, by comparing several classification algorithms, we evaluated the ability to predict RPE values from external load variables in professional football players in a chronological perspective. Tree-based ML models showed statistically significant predictive ability, indicating valuable insights for understanding training load responses based on past RPE data. In conclusion, this thesis highlighted the importance of the internal load, the RPE, in predicting training load adaptations in football players. The results obtained open up new perspectives for improving the effectiveness of the physical preparation of players, thus contributing to better management of their performance throughout the season. However, to take this even further, future research will be needed to refine predictive models, take into account other player-specific factors and consolidate the use of machine learning methods in the football domain. These promising advances could also be extended to other team sports, thus strengthening the benefits for athletes, coaches and sports professionals.