** : Bonnes Connaissances en Machine Learning/DA/IA

Niveau en Python

** : Bonnes Connaissances en Python

Intervenants

Cet atelier sera présenté par :

• Juliana Antero, docteure en épidémiologie de la performance, INSEP
• Marine Dupuit, docteure en physiologie de l’exercice, INSEP
• Kilian Barlier, ingénieur de recherche, INSEP
• Tom Chassard, ingénieur de recherche, INSEP

Présentation de l’atelier :

L’analyse de données GPS peut servir à quantifier l’usage, comme dans le cas de matériel en location à des fins de facturation, de véhicules industriels à des fins de maintenance, de véhicules de transport à des fins de tracking…Elle est maintenant de plus en plus utilisée par les équipes de sport collectif à des fins de quantification de la charge d’entrainement.

Au-delà de l’analyse, pouvoir identifier les « comportements anormaux » est un enjeu aussi important pour les applications industrielles que pour les sportifs !

Si ces problématiques vous parlent ou que vous souhaitez les découvrir et échanger sur les approches d’analyse des données GPS ainsi que la détection de « comportements anormaux » , rejoignez-nous le temps d’un atelier pour travailler sur le jeu de données et le cas d’usages de l’INSEP.

Le projet Empow’her, porté par l’INSEP et l’Agence Nationale du Sport, a pour but de déterminer l’influence des phases hormonales, dues au cycle menstruel ou à la prise de contraceptif hormonal sur la réponse à la charge d’entraînement, la charge de match et sur le bien-être des sportives.
Dans ce cadre, nous avons suivi un club de football de haut niveau pendant 6 mois, accumulant les données de phases du cycle menstruel, de bien-être chaque jour, ainsi que les données GPS.

L’objectif de cet atelier sera de mettre en avant des sessions “atypiques” à partir des données GPS, où les joueuses sont au-dessus ou en-dessous de ce qui est attendu pour elle sur le terrain à partir des données de tracking GPS. Ces sessions peuvent ensuite être mises au regard des phases du cycle pour essayer de comprendre l’influence de ce dernier sur les performances des joueuses.

Descritpion du jeu de données :

Les participants auront a disposition les données récoltés au cours du suivi Empow’her (IRMES, INSEP), qui s’est étalé de la pré-saison (juillet), jusqu’a la fin de la phase aller du championnat (fin décembre).
Ces 6 mois de données comportent les informations relatives au cycle menstruel (date, jour du cycle, phase et numéro de cycle dans lesquels la joueuse se situe), les informations relatives au bien-être des joueuses (qualité de sommeil, niveau de stress et de fatigue, à travers des échelles de Likert à 7 niveaux), ainsi que les données de tracking GPS des entraînements et des matchs (latitude, longitude, altitude et vitesse, échantillonés à 10Hz).

Approche Algo :

Lors de précédent suivi d’un club de foot utilisant des données similaires, des modèles linéaires mixtes ont été utilisé pour mettre en avant les variations des différents indicateurs de charge par phase du cycle. Des modèles de chaînes de Markov cachées sont également utilisés au laboratoire pour mettre en avant différents états d’intensité d’effort, ainsi que leur évolution temporelle.

Liens :

Des ressources autour du traitement des données de tracking avec python:
https://soccermatics.readthedocs.io/en/latest/
https://www.youtube.com/@friendsoftracking755

Publications INSEP (Empow’her):
https://journals.humankinetics.com/view/journals/ijspp/18/10/article-p1169.xml
https://pubmed.ncbi.nlm.nih.gov/36875020/

Spécifique foot et cycle menstruel:
https://pubmed.ncbi.nlm.nih.gov/28288203/
https://www.tandfonline.com/doi/full/10.1080/24733938.2020.1802057
https://www.mdpi.com/1660-4601/19/8/4465