Archives de catégorie : Analyse données sportives

Aucune association entre la perception de l’effort et la durée de la session avec la survenue d’une blessure aux ischio-jambiers dans le football professionnel

Une nouvelle étude montrant que le suivi de la charge d’entraînement basée sur le RPE ne peut pas être utilisée pour évaluer le risque de blessure au football. Déjà en 2017 certains auteurs avertissaient que le RPE est un outil subjectif et est donc affecté par des facteurs contextuels.

L’étude en question porte sur les blessures, mais pourrait concerner la capacité de performance.

A mon sens ce qu’il faut retenir de ce type d’étude est que, ni les outils de mesure de la charge externe (GPS, séries/reps/tonnage), ni les outils de mesure de la charge interne (FC, RPE), ne peuvent seuls être utilisés pour quantifier la charge d’entraînement. Chacun nous donne des informations pertinentes et une perspective sur la charge d’entrainement.

C’est la raison pour laquelle en pratique les préparateurs physiques font le choix d’utiliser les 2 en même temps. Nous avons tous fait le constat sur le terrain qu’une même séance prévue (charge externe), pouvait être perçue ou vécue très différemment selon les sportifs (charge externe) et produire des effets également très différents sur la capacité de performance des sportifs.

Références : 

  • Lolli, Lorenzo & Bahr, Roald & Weston, Matthew & Whiteley, Rodney & Tabben, Montassar & Bonanno, Daniele & Gregson, Warren & Chamari, Karim & Di Salvo, Valter & van Dyk, Nicol. (2019). No association between perceived exertion and session duration with hamstring injury occurrence in professional football. Scandinavian Journal of Medicine & Science in Sports. 10.1111/sms.13591. 
  • Nassis, George & Maxime, Hertzog & Brito, João. (2017). Workload Assessment in Soccer: An Open-Minded, Critical Thinking Approach is Needed. The Journal of Strength and Conditioning Research. 31. e77-e78. 10.1519/01.JSC.0000522116.12028.06. 
  • Bourdon, Pitre & Cardinale, Marco & Murray, Andrew & Gastin, Paul & Kellmann, Michael & Varley, Matthew & Gabbett, Tim & Coutts, Aaron & Burgess, Darren & Gregson, Warren & Cable, Nigel. (2017). Monitoring Athlete Training Loads: Consensus Statement. International Journal of Sports Physiology and Performance. 12. 161. 10.1123/IJSPP.2017-0208. 

Valeur de la possession et classement au basket en PROA

Au basketball l’efficacité d’une équipe est souvent exprimée en nombre de point par 100 possessions. Ex 115 points / 100 possessions. C’est une valeur indirectement obtenue par la Valeur de la Possession d’Hollinger (En anglais Value Of Possession – VOP). 

La VOP est également utilisée pour le calcul de l’évaluation du joueur (En anglais Player Efficiency Rating – PER).

A sa façon le VOP est une mesure de l’efficacité offensive d’une équipe. En utilisant cette statistique on part du principe que le basketball est un jeu simple et qu’il faut être le plus efficace possible à chaque possession de la rencontre, et que le plus efficace gagne la rencontre.

L’objectif dans cette analyse est de répondre à la question suivante : la VOP est-elle corrélée au classement final en PROA ?

 Pour cela nous allons utiliser les données des 5 dernières saisons (2014 à 2019) et utiliser du code en R.

Les données

Les données des 5 dernières saison de PROA ont été obtenues sur le site basketball-reference.com et sont disponibles sur mon Github.

Explorons les tableaux de données.

head(proa1415)
names(proa1415)

Pour chacune des 5 saisons de PRO nous avons les 18 équipes composants le championnat et 24 variables. Ces 24 variables sont les statistiques sur la saison.

Calcul de la VOP pour chacunes des saisons

Pour ce calcul nous aurons besoin des points (PTS), des tirs tentés (FGA), des rebonds offensifs (ORB), balles perdues (TOV) et des lancers francs (FTA). 

La VOP se calcul alors de la manière suivante :

VOP = PTS / (FGA-ORB+TOV+0.44*FTA) 

Note : Hollinger utilise un coefficient de 0.44 par lancé francs pour tenir compte du fait que les joueurs n’obtiennent pas 2 lancers francs à chaque fois en NBA. Il conviendrait de déterminer un coefficient propre à la PROA.

# VOP saison 1415
proa1415$POS<-proa1415$FGA-proa1415$ORB+proa1415$TOV+(.44*proa1415$FTA)
proa1415$VOP<-proa1415$PTS/proa1415$POS

# VOP saison 1516
proa1516$POS<-proa1516$FGA-proa1516$ORB+proa1516$TOV+(.44*proa1516$FTA)
proa1516$VOP<-proa1516$PTS/proa1516$POS

# VOP saison 1617
proa1617$POS<-proa1617$FGA-proa1617$ORB+proa1617$TOV+(.44*proa1617$FTA)
proa1617$VOP<-proa1617$PTS/proa1617$POS

# VOP saison 1718
proa1718$POS<-proa1718$FGA-proa1718$ORB+proa1718$TOV+(.44*proa1718$FTA)
proa1718$VOP<-proa1718$PTS/proa1718$POS

# VOP saison 1819
proa1819$POS<-proa1819$FGA-proa1819$ORB+proa1819$TOV+(.44*proa1819$FTA)
proa1819$VOP<-proa1819$PTS/proa1819$POS

Tous les tableaux de données correspondants à une saison ont donc à présent 2 nouvelles colonnes : POS (nombre de possessions sur la saison) et VOP.

Nous allons à présent regrouper les données de VOP dans un seul tableau et comparer les 5 dernières saisons dans un graphique.

# Rangement des données  
Saison1415 = c(VOP1419$proa1415.VOP)
Saison1516 = c(VOP1419$proa1516.VOP)
Saison1617 = c(VOP1419$proa1617.VOP)
Saison1718 = c(VOP1419$proa1718.VOP)
Saison1819 = c(VOP1419$proa1819.VOP)
VOP1419 = data.frame(cbind(Saison1415,Saison1516,Saison1617,Saison1718,Saison1819))
VOP1419<-stack(VOP1419)
names(VOP1419)[names(VOP1419) == "ind"] <- "Saison"
names(VOP1419)[names(VOP1419) == "values"] <- "VOP"

# graphique VOP par saison
boxplot(VOP1419$VOP~VOP1419$Saison,main="VOP par saison", xlab = "Saison", ylab= "VOP")
abline(h=median(proa1415$VOP),col = "red")

Si l’on prend la saison 14-15 comme référence, il semblerait que la VOP soit en augmentation. Indiquant des équipes inscrivants de plus en plus de points par possession (pour le plus grand plaisir des supporters).

Note : Cependant hormis entre les saisons 18-19 et 16-17, il n’y a pas de différences statistiquement significative. Mais nous n’entrerons pas dans les détails ici.

Corrélation en VOP et classement

Nous allons utiliser les variables du classement (Rk) et la VOP (VOP) pour répondre à notre question initiale. Nous allons tout d’abord regrouper tous les tableaux dans un seul. 

# regroupement data frame dans une seule
VOP_RK <- merge(merge(merge(merge(
  proa1415,
  proa1516, all = TRUE),
  proa1617, all = TRUE),
  proa1718, all = TRUE),
  proa1819, all = TRUE)
head(VOP_RK)

Puis ensuite explorer graphiquement cette relation.

# graphique VOP - classement
plot(x=VOP_RK$VOP, y=VOP_RK$Rk,main="Correlation VOP et Classement final PROA saisons 14-19",xlab = "VOP", ylab= "Classement")
abline(lm(VOP_RK$Rk~VOP_RK$VOP),col = "red")

La droite en rouge nous indique la relation entre le classement et la VOP. Cette relation est concrètement négative. Mais positive pour nous. En effet le classement le plus élevé est représenté par la valeur 1. Donc pour nous lorsque le VOP augmente il semblerait que le classement se rapproche du plus haut, c’est à dire 1.

Cependant on ne peut qu'observer également la dispersion des observations. De ce fait nous allons calculer le coefficient de corrélation. Pour apprécier sa valeur nous allons utiliser une échelle proposée par Will G Hopkins : 0.0-0.1 = trivial, très petit, sans substance, minuscule, pratiquement nul / 0.1-0.3 = petit, faible, mineur / 0.3-0.5 = modéré, moyen / 0.5-0.7 = grand, haut, majeur / 0.7-0.9 = très grand, très haut, énorme / 0.9-1 = presque, pratiquement ou presque: parfait, distinct, infini.

# correlation VOP et classement
summary(lm(VOP_RK$Rk~VOP_RK$VOP))

Nous obtenons un R² de 0.46. C’est à dire une corrélation modérée entre la VOP et le classement.

Conclusion

A partir des données des saisons 2014 à 2019 nous avons constaté qu’il y a avait une corrélation entre la valeur de la possession et le classement en PROA. Cette corrélation est modérée.

Malgré le fait que la VOP (ou bien encore le nombre de points marqués par 100 possession) soit une statistique souvent mise en avant au basketball elle est loin de permettre d’expliquer le résultat d’une équipe pendant la saison. 

Références :

  • Hollingern J.- Pro Basketball Forecast 2004-05
  • Stephen M. Shea, Christopher E. Baker - Basketball Analytics 2013
  • A Scale of Magnitudes for Effect Statistics - Will G Hopkins

Suivi de l’état de forme à partir du CMJ – Tout est-il sous contrôle ?

Le saut en contre mouvement ( ou CMJ – counter movement jump – en anglais) est probablement une des mesures les plus utilisées pour suivre les effets de l’entraînement sur la capacité à s’entraîner ou à être performant. Cette une mesure qui ne concerne que le système nerveux et la capacité musculaire et ne saurait représenter l’ensemble des capacités nécessaire à la performance dans le sport (cardiovasculaire, technique, tactique,motivation,etc). 

Cependant c’est une mesure rapide, pratique, reproductible et de ce fait très étudiée.

L’objectif de cet article est de présenter le suivi des performances lors d’un CMJ pour 11 sujets pratiquants le MMA, pendant 5 mois.

Nous allons retenir uniquement le pic de vélocité qui semble être un marqueur plus précis de la fatigue neuromusculaire.

Pour suivre cette évolution sur 5 mois nous allons utiliser un procédé basé sur la Maîtrise Statistique de Processus (MSP), aussi dénommée Statistical Process Control (SPC) en anglais. Ce procédé permet d’identifier les valeurs “anormales” ou qui vont au delà de valeurs prédéfinies.

Nous utiliserons pour chaque cas étudié le langage R pour une analyse graphique à partir la moyenne et l’écart-type. Toutes les données sont disponibles sur mon Github.

1/ Les données

Tout d’abord nous allons charger le package ggplot2 d’exporation graphique, puis explorer les données.

library(ggplot2)
head(cmj)
table(cmj$ID)
table(cmj$Date)

En examinant les données nous constatons que pour chaque sujet (ID) les résultats sont présentés par date. Pour chaque date nous avons 3 sauts (Saut1, Saut2, Saut3). Les sujets 1/7/8 sont ceux pour lesquels nous avons le plus de données (10 ou 11). Nous constatons également que la régularité n’est pas optimales. Les 11 sujets sont loin d’avoir participés à toutes les prises de mesures. Mais dans le cas présent, présentation du procédé MSP/SPC pour un suivi du CMJ, cela ne sera pas handicapant.

2/ Exemples

Nous allons prendre pour 1er exemple le sujet 8 car il présente le plus de données (avec le sujet 1).  Nous allons isoler toutes les données du sujet 8 puis calculer la moyenne des 3 sauts pour chacune des dates.

Nous avons besoin de la moyenne et de l’écart-type de l’ensemble des observations du sujet. 

Le procédé MSP/SPC utilise des seuils hauts et bas se basant sur l’écart-type. J’attire l’attention du lecteur que les seuils sont ici calculés sur la base de 1 et 2 écarts-types. Libre à chacun de définir les seuils selon sa volonté et ses besoins. Ces seuils s’obtiennent en ajoutant ou soustrayant 1 et 2 écarts-types à la moyenne.

# Isoler les données sur sujet 8 
Sujet8<-cmj[cmj$ID=='8',] 

# Calcul de la moyenne pour chaque date 
Sujet8$moyenne<-round(with(Sujet8,(Saut1+Saut2+Saut3)/3),2) 

# Calcul de la moyenne et écart-type pour l'ensemble des observations 
Sujet8_sauts<-c(Sujet8$Saut1, Sujet8$Saut2 ,Sujet8$Saut3) 
Sujet8_moyenne<-mean(Sujet8_sauts) 
Sujet8_sd<-sd(Sujet8_sauts) 

# Détermination des seuils haut et bas 
sd1_haut<-Sujet8_moyenne+(1*Sujet8_sd) 
sd1_bas<-Sujet8_moyenne-(1*Sujet8_sd) 
sd2_haut<-Sujet8_moyenne+(2*Sujet8_sd) 
sd2_bas<-Sujet8_moyenne-(2*Sujet8_sd) 

Nous pouvons alors faire le graphique avec la moyenne (trait en rouge continu), les seuils 1 écart-type (trait pointillé noir) et les seuils 2 écarts-types (trait pointillé rouge).

ggplot(Sujet8, aes(x = Date, y = moyenne)) +
  geom_point(color = "blue") +
  theme_classic()+ geom_hline(aes(yintercept = mean(Sujet8_sauts)), color = "red")+
  geom_hline(aes(yintercept = sd1_haut), linetype = "dashed")+
  geom_hline(aes(yintercept = sd1_bas), linetype = "dashed")+geom_line()+
  geom_hline(aes(yintercept = sd2_haut), linetype = "dashed", color = "red")+
  geom_hline(aes(yintercept = sd2_bas), linetype = "dashed", color = "red")+
  ggtitle("Sujet 8 - Evolution Pic de vitesse lors d'un CMJ") + xlab("Date")+ylab("Vitesse (m/s)")

Le procédé MSP/SPC se base sur une suite ou un fréquence de valeur au delà des différents seuils. Par exemple, si les valeurs restent entre les seuils 1 supérieur et inférieur, les réponses au processus d’entraînement sont considérées comme normales. Les différentes performances et la variation de l’état de forme du sportif font partie de processus d’adaptations à la charge d’entraînement. Ce que l’on cherche à savoir est si ce processus est sous contrôle (adaptations/réponses désirées) ou non (surentrainement/mauvaise adaptation/désentrainement)  

Le sujet 8 présente 2 valeurs inférieures au seuil 1. Mais elles ne sont pas consécutives. Elles ne semblent pas indiquer de mal-adaptations du sujet au processus d’entraînement ou d’effets indésirables de celui-ci.

Nous pouvons procéder à la même analyse avec les sujets 1 et 7 pour finalement présenter les 3 graphiques.


# Sujet8
ggplot(Sujet8, aes(x = Date, y = moyenne)) +
  geom_point(color = "blue") +
  theme_classic()+ geom_hline(aes(yintercept = mean(Sujet8_sauts)), color = "red")+
  geom_hline(aes(yintercept = sd1_haut), linetype = "dashed")+
  geom_hline(aes(yintercept = sd1_bas), linetype = "dashed")+geom_line()+
  geom_hline(aes(yintercept = sd2_haut), linetype = "dashed", color = "red")+
  geom_hline(aes(yintercept = sd2_bas), linetype = "dashed", color = "red")+
  ggtitle("Sujet 8 - Evolution Pic de vitesse lors d'un CMJ") + xlab("Date")+ylab("Vitesse (m/s)")

# Sujet 1
Sujet1<-cmj[cmj$ID=='1',]

Sujet1$moyenne<-round(with(Sujet1,(Saut1+Saut2+Saut3)/3),2)

Sujet1_saut<-c(Sujet1$Saut1, Sujet1$Saut2 ,Sujet1$Saut3  )
Sujet1_saut
mean(Sujet1_saut)
sd(Sujet1_saut)
sd1_haut<-mean(Sujet1_saut)+(1*sd(Sujet1_saut))
sd1_bas<-mean(Sujet1_saut)-(1*sd(Sujet1_saut))
sd2_haut<-mean(Sujet1_saut)+(2*sd(Sujet1_saut))
sd2_bas<-mean(Sujet1_saut)-(2*sd(Sujet1_saut))

ggplot(Sujet1, aes(x = Date, y = moyenne)) +
  geom_point(color = "blue") +
  theme_classic()+ geom_hline(aes(yintercept = mean(Sujet1_saut)), color = "red")+
  geom_hline(aes(yintercept = sd1_haut), linetype = "dashed")+
  geom_hline(aes(yintercept = sd1_bas), linetype = "dashed")+
  geom_hline(aes(yintercept = sd2_haut), linetype = "dashed", color = "red")+
  geom_hline(aes(yintercept = sd2_bas), linetype = "dashed", color = "red")+
  ggtitle("Sujet 1 - Evolution Pic de vitesse lors d'un CMJ") + xlab("Date")+ylab("Vitesse (m/s)")+
  geom_line()



# Sujet 7
Sujet7<-cmj[cmj$ID=='7',]

Sujet7$moyenne<-round(with(Sujet7,(Saut1+Saut2+Saut3)/3),2)

Sujet7_saut<-c(Sujet7$Saut1, Sujet7$Saut2 ,Sujet7$Saut3  )
Sujet7_saut
mean(Sujet7_saut)
sd(Sujet7_saut)
sd1_haut<-mean(Sujet7_saut)+(1*sd(Sujet7_saut))
sd1_bas<-mean(Sujet7_saut)-(1*sd(Sujet7_saut))
sd2_haut<-mean(Sujet7_saut)+(2*sd(Sujet7_saut))
sd2_bas<-mean(Sujet7_saut)-(2*sd(Sujet7_saut))

ggplot(Sujet7, aes(x = Date, y = moyenne)) +
  geom_point(color = "blue") +
  theme_classic()+ geom_hline(aes(yintercept = mean(Sujet7_saut)), color = "red")+
  geom_hline(aes(yintercept = sd1_haut), linetype = "dashed")+
  geom_hline(aes(yintercept = sd1_bas), linetype = "dashed")+
  geom_hline(aes(yintercept = sd2_haut), linetype = "dashed", color = "red")+
  geom_hline(aes(yintercept = sd2_bas), linetype = "dashed", color = "red")+geom_line()+
  ggtitle("Sujet 7 - Evolution Pic de vitesse lors d'un CMJ") + xlab("Date")+ylab("Vitesse (m/s)")




Nous constatons que pour les 3 sujets présentés ici le processus d'entraînement semble sous contrôle. 

3/ Conclusion

Un procédé basé sur la Maîtrise Statistique de Processus (MSP), aussi dénommée Statistical Process Control (SPC), est une méthode simple pour suivre la réponse du sportif au processus d'entraînement. Nous avons vu ici le cas du pic de vitesse lors d’un CMJ mais d’autres données peuvent sans problème être utilisées. 

Volontairement, le cas des tendances des courbes n’a pas été abordé. Il fera certainement l’objet d’un autre billet sur ce blog.

 

 

Réferences :

- Bertrand Mathieu, Alexis Peeters , Julien Piscione , Mathieu Lacome - Usefulness of typical tests of short-duration maximal effort used to assess players readiness to perform - SPSR - 2017 | Nov | 3 | v1

- Taylor KL. Monitoring neuromuscular fatigue in high performance athletes. Edith Cowan University; 2012.

- Kennedy, R., & Drake, D. (2018). Improving the Signal-To-Noise Ratio When Monitoring Countermovement Jump Performance: Signal-to-noise ratio of CMJ performance. Journal of Strength and Conditioning Research.

- William Sands, Marco Cardinale, Jeni McNeal, Steven Murray, Christopher Sole, Jacob Reed, Nikos Apostolopoulos, and Michael Stone - Recommendations for Measurement and Management of an Elite Athlete (2019)

La dynamique de la charge d’entrainement hebdomadaire correspond-t-elle à celle souhaitée par l’entraîneur ?

“Sans données, vous êtes juste quelqu’un avec une opinion” – W. Edwards Deming.

L’objectif de cet article est d’explorer la dynamique de la charge d’entrainement afin de permettre à l’entraîneur d’ajuster ses séances si nécessaire.

Les entraîneurs ont toujours de fortes opinions sur le processus d’entrainement et comment l’organiser. L’expérience de terrain à permis de construire les principes fondamentaux de la méthodologie de l’entrainement. Dans cet objectif, le suivi de la charge d’entrainement revêt un intérêt particulier. Il permet de définir et d’observer la dynamique de la difficulté de entrainement. Les entraîneurs ont ainsi leurs préférences : linéaire progressif, linéaire dégressif, ondulatoire/alternée/high-low, pour donner quelques exemples. La charge interne et la charge externe sont généralement utilisées afin d’apprécier cette dynamique.

Pour ceux qui ne sont pas familiers avec ces termes, la plupart du temps, la charge d’entraînement externe sont des tâches que l’athlète réalise lors de son entraînement (cadence de course / cyclisme, charges / intensités, séries, données GPS, etc.), tandis que la charge interne correspond à la réaction des athlètes à l’entraînement (FC, évaluation de la perception de l’effort perçu à la séance, compte rendu subjectif de bien-être, etc.).

Cependant il existe parfois des différences entre les prévisions de l’entraîneur et la réaction du sportif. Sans suivi de la charge interne, il est impossible de savoir comment le sportif ressent la semaine (ou la durée d’observation). C’est sur la base de la charge interne que l’entraîneur peut plus facilement ajuster, si nécessaire, ses entraînements et donc la charge externe.

Des données

Prenons un cas concret. Il a été demandé une combattante MMA de compléter un question de perception de l’effort (RPE) à la fin de tous les entraînements pendant 4 semaines. Les données sont disponibles sur mon Github. La charge d’entrainement (UA) = durée séance (min) x score RPE.

Sur la base de ces réponses, la question est la suivante : la dynamique de la charge d’entrainement hebdomadaire correspond-t-elle à celle souhaitée par l’entraîneur ?

Que cela veut-il bien dire ?

Sur la base de cette présentation graphique nous pouvons informer l’entraîneur que :

1/ Il semble y avoir alternance entre jours de forte charge d’entrainement (lundi et jeudi) et les jours de charge d’entrainement plus faible. Si c’est l’objectif, il serait possible d’explorer une augmentation de cette charge le lundi par différents moyens.

2/ Si l’objectif est d’avoir une dynamique linéaire (progressive ou régressive) dans la semaine, il semble nécessaire de réorganiser le planning hebdomadaire afin d’obtenir la dynamique souhaitée.

Durée du combat au MMA

La durée de l’effort est une donnée importante dans la préparation à un sport. C’est une information qui intéresse particulièrement des entraîneurs. On ne se prépare pas à un effort de 5 minutes comme à un effort de 15 minutes. Dans les sports de combat cela implique notamment la mise en place de stratégie technique, mais également de gestion de l’effort (pacing en anglais). L’Institut de la Performance de l’UFC (UFCPI) à publié en 2018 une étude nous éclairant sur ces notions. Ainsi, le durée moyenne d’un combat à l’UFC est de 10 minutes 43 seconde. De plus, ils ont constaté une relation entre la catégorie de poids et la durée du combat. Les catégories de poids plus légères présentant une durée moyenne de combat plus importante, tandis que les catégories de poids les plus lourdes présentent elles une durée moyenne de combat plus courte.
Cependant, plusieurs études sur ce type de sujet dans différents sports nous laisse à penser que le niveau de compétition est un facteur important sur certaines données d’efforts. Par exemple, au football un niveau de jeu plus élevé n’est pas nécessairement associé à une durée de jeu réel ou une distance parcourue plus importantes pendant la rencontre. Sans oublier la variabilité selon de poste joué.
La question qu’un entraîneur est en droit de se poser est donc : la durée type d’un combat de MMA est elle la même, peut importe le niveau ?
A partir des données de l’European BeatDown (EBD), sur 6 événements, je vous propose d’explorer la question grâce à du code en R.

Obtenir des données
Les données ont été obtenues grâce au site Tapology et sont disponibles sont mon github. Ils y a 83 observations pour lesquelles nous avons les variables suivantes : EDB, durée, résultat et catégorie. Nous aurons besoin du package ggplot2 pour la visualisation des données.

library(ggplot2)
head(EBD)

Distribution
Tout d’abord, observons la distribution de la fin du combat pour choisir les statistiques les plus appropriées.

ggplot(EBD, aes(x=Durée)) + 
geom_histogram(binwidth = 100) + 
theme_classic() + 
ggtitle ("EBD - Fin du combat")

Nous pouvons observer que de part sa distribution asymétrique la médiane et la distance interquartile seront des informations plus utiles que la moyenne qui sera certainement sur évaluée en raison du très grand nombre de combat d’une durée de 15 minutes (note: +1 min pour être précis).

Durée type du combat

ggplot(data=EBD, aes( y = Durée)) +  geom_boxplot()+ theme_classic() + ggtitle("EBD - Durée du combat")
quantile(EBD$Durée)
IQR(EBD$Durée)
median(EBD$Durée)

Nous obtenons une médiane à 7 minutes 07 (soit 3 minutes de moins que l’UFC) et une distance interquartile de 711 secondes (près de 11 minutes). Autrement dit, 50% des combats de l’EBD se terminent entre la 3ème et la 15 minutes. Notons également que très peu d’observations sont visibles à cette valeur sur l’histogramme précédent. Ces informations étant très peu précises et inutilisables par les entraîneurs, cherchons à présent les mêmes informations par catégories de poids.

Durée type du combat selon la catégorie

ggplot(data=EBD, aes(x = CATEGORIE, y = Durée)) +  geom_boxplot(aes(fill=CATEGORIE))+ theme_classic() + ggtitle("Durée du combat selon catégorie")+coord_flip()  +
  xlab("M/F:Catégorie(lbs)") + ylab("Durée (min:sec)") + geom_jitter(shape=2, position=position_jitter(0.2)) + theme(legend.text = element_text(size = 13),
   

Résumons
L’objectif de cette analyse était de déterminer sur les informations de l’UFC sur la durée du combat étaient utilisable pour d’autre niveau de compétition. Pour la durée moyenne, la réponse est non (sous réserve que l’UFC ait utilisée la médiane et non la moyenne). Les combats semblent plus long à l’UFC. Concernant la tendance à une relation entre la catégorie de poids et la durée du combat, la réponse est plutôt oui. Les observations des données de l’EBD semblent confirmer les tendances observées à l’UFC. Les catégories de poids plus légères semblent avoir des durées de combat plus importantes. Cependant, les entraîneurs seraient avisés de prendre en compte la durée type (50% des observations – distance interquartiles) selon la catégorie de poids pour construire une stratégie. Celles-ci étant particulièrement grande en relation avec la durée maximale du combat ( 3 x 5 min).

Références :

A Cross-Sectional Analysis & Projection of the UFC Athlete

Approche pratique suivi du sommeil pour le sportif

Les moyens de suivre et mesurer le sommeils se sont multipliés ces dernières années. De multiples options sont disponibles aux entraîneurs et sportifs afin d’évaluer le sommeil.

On peut penser que c’est une démarche logique tellement le sommeil est lié à la santé, la performance sportif et les fonctions cognitive. Pour certains, le sommeil est aussi important que la l’alimentation ou l’activité physique/entrainement.

Le manque de sommeil est associé à :

  • une faiblesse des défenses immunitaires
  • une diminution des performances cognitives et physiques
  • l’augmentation de l’anxiété, de l’irritatilibé et des difficultés de concentration
  • une augmentation du taux de masse graisseuse 
  • un potentiel risque accru de blessure et d’accident

Ceci alors que ces effets positifs sont nombreux :

  • augmentation de la motivation
  • meilleur concentration
  • temps de réaction plus rapide
  • Capacité à prendre des décisions précises rapidement
  • une meilleur régulation du stress
  • un capacité d’apprentissage et de rétention plus importante

Comment ne pas avoir envie d’utiliser le sommeil moyen d’améliorer ses performances ?

Il y a cependant plusieurs point à prendre en considération afin d’utiliser au mieux les informations recueillies et d’éviter d’être déçu.

1/En avez-vous besoin ?

Ressentez-vous une fatigue chronique qui vous laisserait penser que le sommeil en est la cause ? Si ce n’est pas le cas, vous allez investir du temps et de l’argent dans des outils qui vont vous dire que tout va bien. Certainement rassurant mais il n’en résultera aucune stratégie d’action puisqu’il n’y a rien à changer.

2/Quelles actions ?

“Ce qui se mesure se gère”. Oui, mais si vous n’avez aucune marge de manoeuvre il est inutile de chercher à mesurer la qualité de votre sommeil. Vous devez pouvoir et vouloir modifier l’heure du coucher, du lever, la possibilité de faire une sieste, l’ambiance avant d’aller au lit, etc.   

3/Choisir votre appareil

La science de l’étude du sommeil est la polysomnographie. C’est une science déjà ancienne. Il est évident que le matériel de laboratoire généralement utilisé n’est pas pratique pour un utilisation sur moyen ou long terme avec des sportifs. Le plus pratique est alors des montres et bracelets connectés (des actimètres). Sur ce sujet, il convient tout d’abord d’appréhender leur utilisation en ayant bien conscience des limitations de leurs précisions. Un actimètre est dispositif constitué d’un accéléromètre ou de tout autre système permettant de quantifier le mouvement. Il ne détectent pas tous les périodes de veille/sommeil avec la même précision.

Ensuite, les données fournies sont très variables en fonction des appareils. Certains vous vous valider une nuit de sommeil comme “bonne”, alors que le bracelet n’a simplement pas détecté que vous étiez éveillé mais allongé dans le lit calmement (voir image ci-dessous).  

D’autre vont utiliser divers paramètres (durée, rythme circadien, fréquence des réveils, perte de sommeil, etc) pour fournir un score d’efficacité global et pour chaque paramètres mesurés.

4/Avoir une référence

Prenez entre 3 et 15 jours d’observation avant de décider d’une intervention. Certaines personnes ne supportent pas dormir avec un bracelet et cela peut perturber le sommeil les premiers jours. Ou bien il est possible qu’un personne a vu son sommeil perturbé par un événement particulier. Donnez-vous du temps afin d’avoir des données de références individualisées et fiables avant de sauter sur des conclusions trop hâtivement.

Résumons

Il est facile de se contenter de conseils et recommandations sur le sommeil. Si vous souhaitez suivre votre sommeil faites le en connaissant les limitations. 

Beaucoup de sportifs ne porteront jamais d’appareil parce qu’ils pensent qu’on les espionne, mais ce n’est en général qu’une excuse, car ils apprécient le plaisir de faire autre chose au lieu de dormir. Essayer d’améliorer la qualité de sommeil des sportifs est une tâche énorme, mais les résultats sont énormes lorsqu’ils arrivent à la contrôler.

Mesurez ce qui a de l’importance pour vous. Avoir des données n’est que le début.

Références :

The effects of sleep extension on the athletic performance of collegiate basketball players – Mah C, et al. (2011)

Ongoing study continues to show that extra sleep improves athletic performance

Mah C, et al. (2008)

The effect of partial sleep deprivation on weight-lifting performance

Reilly T, Piercy M. (1994)

Sports-related injuries in youth athletes: is overscheduling a risk factor?

Luke A, et al. (2011)

Chronic lack of sleep is associated with increased sports injuries in adolescent athletes

Milewski MD, et al. (2014)

Moderate sleep deprivation produces impairments in cognitive and motor performance equivalent to legally prescribed levels of alcohol intoxication

Williamson A, Feyer A. (2000)