Conception d’un système de prédiction et de détection des blessures sportives à partir de vidéos d’entraînement

Abstract

Sport-related injuries are a major concern in terms of health, performance and cost, for elite athletes and recreational practitioners alike. Their prevention has traditionally relied on clinical expertise, functional testing and expensive motion-capture systems that are hardly accessible outside the laboratory. The recent progress of computer vision and human pose estimation paves the way for markerless biomechanical analysis, which can be carried out from a simple training video recorded with a smartphone. This thesis provides an in-depth study and a conceptual framework for a system aimed at predicting and detecting sport injuries from videos supplied by the athlete. After establishing the theoretical foundations related to sport injuries, their risk factors, the biomechanical analysis of human movement and artificial-intelligence methods, we present a critical review of existing approaches: inertial sensors, motion capture, computer vision, machine learning and deep learning. We compare the main poseestimation methods (OpenPose, MediaPipe, AlphaPose) and the temporal architectures (CNN, RNN, LSTM, Transformers, graph neural networks). Building on this synthesis, we propose an end-to-end conceptual architecture that links video acquisition, pose estimation, biomechanical feature extraction (joint angles, asymmetries, movement dynamics), a prediction model and the generation of an interpretable risk score. Technical, methodological and clinical limitations are discussed, together with the ethical issues related to athletes’ privacy and model explainability. This work offers a methodological basis for developing accessible, non-invasive and field-deployable prevention tools.***

Les blessures liées à la pratique sportive représentent un enjeu majeur de santé, de performance et de coût, aussi bien pour les athlètes de haut niveau que pour les pratiquants amateurs. Leur prévention repose traditionnellement sur l’expertise clinique, des tests fonctionnels et des systèmes de capture de mouvement coûteux, peu accessibles en dehors des laboratoires. L’essor récent de la vision par ordinateur et de l’estimation de pose humaine ouvre la voie à une analyse biomécanique sans marqueur, réalisable à partir d’une simple vidéo d’entraînement filmée avec un smartphone. Ce mémoire propose une étude approfondie et un cadre conceptuel pour un système de prédiction et de détection des blessures sportives fondé sur l’analyse de vidéos fournies par l’athlète. Après avoir posé les fondements théoriques relatifs aux blessures sportives, à leurs facteurs de risque, à l’analyse biomécanique du mouvement et aux méthodes d’intelligence artificielle, nous dressons un état de l’art critique des approches existantes : capteurs inertiels, capture de mouvement, vision par ordinateur, apprentissage automatique et apprentissage profond. Nous comparons les principales méthodes d’estimation de pose (OpenPose, MediaPipe, AlphaPose) et les architectures temporelles (CNN, RNN, LSTM, Transformers, réseaux de neurones sur graphes). À partir de cette synthèse, nous proposons une architecture conceptuelle end-toend articulant l’acquisition vidéo, l’estimation de pose, l’extraction de caractéristiques biomécaniques (angles articulaires, asymétries, dynamique du mouvement), un modèle de prédiction et la génération d’un score de risque interprétable. Les limites techniques, méthodologiques et cliniques sont discutées, ainsi que les enjeux éthiques liés à la vie privée des athlètes et à l’explicabilité des modèles. Ce travail constitue une base méthodologique pour le développement d’outils de prévention accessibles, non invasifs et exploitables sur le terrain.