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)

Normes de vitesse et leurs effets sur la force, la puissance et la vitesse

Les normes ne s’appliquent pas à tous les exercices et à tous les individus. Il existe quelques variations entre les exercices, cependant, il existe suffisamment de recherches avec des données très intéressantes.

Exemples de vitesse pour la 1RM :

Développé couché = 0.10-0.20 m/s

Squat = 0.2-0.4 m/s

Jusqu’à présent, la recherche s’est principalement concentrée sur sur le squat, le développé couché, le tirage au banc et le soulevé de terre. Certaines recherches ont été publiées avec des individus de force inférieure, certaines avec des individus plus forts, et certains avec des haltérophiles compétitifs et pratiquants de force athlétique. Certaines recherches ont été effectuées sur une machine Smith, certaines avec poids libres.

Cependant, il est important de comprendre que pour un exercice donné, et en particulier avec les squats, les athlètes plus forts peuvent posséder des scores différents que les athlètes moins forts avec un pourcentage plus élevé de 1RM.

Pour être plus précis, les athlètes les plus fort et les plus expérimentés ont tendance à atteindre le 1RM avec une vitesse inférieures les sportifs plus faibles et moins expérimentés.

Donc plusieurs facteurs sont à prendre en compte :

  • l’exercice
  • le % 1RM
  • Méthode (ex : utilisation ou non du cycle étirement-raccourcissement)
  • l’expérience

Sur la base de ces informations, les entraîneurs et les athlètes pourront discerner quelles vélocités sont les plus applicables à leurs situations.

Généralement, les zones de vitesses sont les suivantes :

Fmax : < 0.5m/s

Puissance : 0.75-1.15 m/s

Vitesse : > 1.15m/s

Réferences :

  • Pallares et al. Imposing a pause between the eccentric and concentric phases increases the reliability of isoinertial strength assessments . Journal of Sport Sciences. 32:1165-1175. 2014.
  • Zoudos et al. Novel resistance training-specific RPE scale measuring repetitions in reserve. Journal of Strength and Conditioning Research. 30(2): 267–275 2016.

A lire : Becoming a Supple Leopard – Le guide ultime pour diminuer les douleurs, prévenir les blessures et optimiser la performance sportive

Si vous êtes un lecteur assidu du blog, vous devriez avoir lu certains publication sur les évaluations du mouvement (screen – filtre) et la réathlétisation. Mon intérêt pour ces sujets remonte à mes premières années d’entraîneur et de préparateur physique, et à mes propres luttes pour maîtriser certains exercices. Quoi qu’il en soit, depuis plusieurs années Kelly Starrett, qui semble avoir pris d’assaut le domaine du crossfit, et, avec la popularité de ce sport, a également étendu son influence au delà. C’est donc logiquement de j’avais lu son livre Becoming a Supple Leopard – Le guide ultime pour diminuer les douleurs, prévenir les blessures et optimiser la performance sportive – traduit depuis en Français par les éditions 4 Trainer.

Qui est Kelly Starrett?
Extrait de son blog: Kelly Starrett est un entraîneur, un thérapeute physique, un auteur, un orateur et un créateur de ce blog, qui a révolutionné la façon dont les athlètes pensent du mouvement humain et de la performance sportive. C’est un Chiropracteur de formation. Ceci expliquant certainement sa vision de la mobilité et du mouvement humain.

De quoi parle le livre?

Selon Kelly Starrett, les blessures et les douleurs sont dues à un dysfonctionnement du mouvement. Sur cette proportion, 2% sont dus à une pathologie (cancer ou quelque chose de grave) et à des blessures catastrophiques, comme se faire renverser par une voiture, etc. Mais 98% du dysfonctionnement est dû à une amplitude de mouvement manquante et à un déplacement dans une mauvaise position (comme le dos arrondi et les épaules arrondies, les pieds retournés, etc.).

Le livre vise donc à corriger ces dysfonctionnements du mouvement et donc à prévenir / traiter la douleur et les blessures.

Cette approche est-elle révolutionnaire? La présentation du livre indique qu’il s’agit d’une approche révolutionnaire. Et Kelly Starrett écrit dans le livre «Est-ce que ce que j’enseigne est radicalement nouveau? Oui et non.”

Je dirais plutôt “non et non”.

Ces concepts entourant les blessures / douleurs causées par une posture et un mouvement incorrects ou sous-optimaux remontent aux années 1950. Le concept de posture-douleur a été popularisé par Florence Kendall et les dysfonctionnements du mouvement par Shirley Sahrmann. Récemment, Gray Cook a introduit cette ligne de raisonnement dans le domaine de l’entraînement avec son FMS.
La majorité des personnes discutant de ce sujet ne font que régurgiter leur travail. Le plus important, c’est que ces concepts reposent uniquement sur cette biomécanique de la douleur/blessure, très localisée, s’attachant principalement à un rapport agoniste/antagoniste.

Starret décrit essentiellement son approche dans “Devenir un léopard souple” autour de plusieurs concepts de base. Commençons pas 2 points à mon sens négatifs.

1/Evaluation du mouvement
Cela reste le talon d’Achille de Kelly Starrett, à mon avis. Il n’existe pas de système, ni d’approche systématique pour le “screening” des athlètes lors de la prescription d’un programme d’entraînement ou de préparation physique, ni pour un patient en rééducation. Pour évaluer le mouvement, il n’existe pas de protocole standard permettant de commencer avec un mouvement spécifique, puis de progresser. C’est comme si tout le monde devait être capable tout faire, sans distinction des spécificités anthropométriques et des stratégies motrices.

2/Stabilisation et organisation
Encore une fois, rien de nouveau. Cela signifie simplement s’assurer d’avoir une colonne vertébrale stable / neutre et ne pas arrondir / allonger le dos. Je pense que cela ne choquera pas grand monde. Puis vient la notion de posture parfaite, debout comme assis.
La, c’est le drame. Il vous prend littéralement la main et vous ramène aux âges sombres de la rééducation des années 1950, lorsque nous pensions que la douleur venait d’une mauvaise posture et des mouvements, puis des articulations et des tissus.
Cependant, il y a des milliers de personnes qui ont une mauvaise posture et ne ressentent aucune douleur. Il y a des milliers d’athlètes qui courent avec un mauvais mouvement et aucune douleur. Leurs capacités sont tout simplement supérieures aux contraintes.

Passé les points douloureux pour le livre, passons ou points, à mon sens, positifs.

3/Besoin de mobilité
Mon expérience dans l’accompagnement de sportifs de tous âges et dans ne nombreux sports différents me fait partager le même constat que Starrett. Celui que la très grande majorité de la population, peu importe son niveau de pratique, manque de mobilité. Force, vitesse ou encore endurance sont souvent mis en avant dans les programmes d’entraînement et de préparation physique. Hormis dans les sports artistiques, la mobilité ou la souplesse sont rarement des sujets de préoccupations. Juste l’objet de quelques recommandations d’étirements passifs. Ce qui, nous le savons, améliore juste la tolérance à l’étirement. Pas l’amplitude des mouvements. De plus, nous avons également qu’il n’y a pas de transfert des gains en souplesse vers les mouvements complexes. Donc avoir différents outils ou méthodes à utiliser selon les contextes est toujours intéressant.

4/ Becoming a Supple Leopard – Le guide ultime pour diminuer les douleurs, prévenir les blessures et optimiser la performance sportive contient beaucoup d’exercices de mobilité et principalement beaucoup de relâchement myofascial. Principalement pour améliorer l’amplitude de mouvement et réduire la douleur. Ces techniques de mobilisation / floss sont utilisées depuis des années (principalement par Brian Mulligan). La question est donc de savoir s’ils sont bénéfiques? Réponse courte : ça dépend !
Tout d’abord nous n’avons aucune preuve solide qui montre que nous pouvons prévenir ou prévoir les blessures. Dans certains cas, ces techniques de mobilisation peuvent aider à améliorer l’amplitude de mouvement et réduire la douleur. J’aime la façon dont Kelly encourage la personne à jouer un rôle actif dans sa rééducation plutôt que de tomber dans un traitement passif dépendant du thérapeute. Cependant, si vous avez une douleur persistante ou chronique, là nous avons un problème. Il est plus que probable que ces exercices ne vous procurent qu’un soulagement temporaire, car vous n’avez pas traité l’origine.
Rappelez-vous, ces techniques de mobilisation existent depuis des années et ne se sont pas révélées plus efficaces dans le traitement de la douleur persistante que d’autres techniques.

Le livre est parfait si on l’aborde dans le domaine des blessures légères et athlétiques, de la bonne forme, et que garde en tête qu’il reste éloigné du traitement ou de la prévention de la douleur dans sa globalité.
Ceci étant dit, le livre est très bien présenté et il est aisé de se rapporter à des mouvements et des articulations précises et de trouver un routine prophylaxique s’y rapportant.
Mais ces exercices ne font que vous ouvrir des opportunités ou maintenir les articulations et tissus “en fonction”. Rien de se passe sans mouvements et sans force. Pour résumer, un livre très pratique avec des recettes déjà toutes faites.

Le livre Becoming a Supple Leopard – Le guide ultime pour diminuer les douleurs, prévenir les blessures et optimiser la performance sportive est disponible ICI ou en cliquant sur l’image ci-dessous.

Les avantages du Functional Movement Screen (FMS) peuvent-ils être sur-vendus par certains professionnels ?

Un entraîneur, un préparateur physique ou un thérapeute vous a-t-il passés au crible pour détecter le risque de blessure et les dysfonctions ou limitations sur les mouvements de bases? L’évaluation du mouvement fonctionnel (FMS pour Functional Movement Screen) est un ensemble de sept tests physiques de coordination et de force, en particulier la force «primaire», inventé en 1997 et maintenant largement utilisés dans le monde entier. Il a été proposé à l’origine comme système de détection des anomalies, dont le nom ne précise pas directement sa fonction: c’est un «filtre» (screen).

Cependant son utilisation dans la pratique semble aller au-delà de cet objectif déclaré.

La plus courante critique faites au fil des ans au FMS est le manque de recherche pour soutenir son l’utilisation. Même si de plus en plus de recherches sont en train de devenir disponibles en ce qui concerne sa portée et son efficacité, je suis pas si sûr que les preuves disponibles à ce jour soient convaincantes – nous y reviendrons. Mais depuis ses début, le FMS s’est développé comme si ses pouvoirs étaient prouvés. Certains pense que le marketing à fait la différence. Mais peut-être à t-il été là au bon moment pour répondre à un besoin de terrain des préparateurs physiques et kinésithérapeutes – c’est déjà beaucoup. Enfin combien de méthodes et de formations populaires, reconnues et utilisées n’ont jamais été validées scientifiquement ?

ll ne s’agit pas d’un examen approfondi du FMS en tant que tel, mais une réflexion sur l’utilisation abusive de ce dernier en tant que moyen de diagnostiquer le sportif ou le patient moyen. Cependant, ces préoccupations ne jettent pas un doute sur la validité du FMS uniquement, mais sur la notion beaucoup plus large d’exercices correctifs, qui nécessitent des problèmes à corriger, tels qu’une faiblesse essentielle ou une «mauvaise posture». Si FMS a des problèmes, alors probablement c’est qu’on lui demande de répondre à des questions pour lesquels il n’est pas conçu. Mais plus généralement que tout le monde veut des solutions simples, des recettes, sur ce qui doit être corrigé.

A ce jour, il n’existe aucune étude d’intervention fournissant une base solide pour la détection du risque de blessure à partir de tests du mouvement (screen).

Un «filtre» a une signification particulière dans les soins de santé. Ce n’est pas un outil de diagnostic: c’est juste pour détecter les personnes qui ont besoin d’un diagnostic. C’est un concept courant dans le domaine de la santé (pensez à une «mammographie» ou à un «examen de la prostate») mais pas autant au sport et à la réathlétisation.

Les complexités et l’éthique du dépistage sont normalement débattues dans le cadre de vastes initiatives de santé publique.
Le dépistage est fondamentalement différent du diagnostic, car vous indiquez à des personnes en bonne santé ce pourrait ne pas aller, ce qui augmente le risque réel de nocebo.
La validité des filtres doit être de la plus haute qualité, car vous «étiquetez» les personnes. Nous devrions donc disposer de preuves solides que les personnes seront mieux loties à long terme. Ainsi des personnes mal informées ou mal intentionnées sont partie du principe que quand une personne obtenait un score inférieur au seuil du FMS, ses chances de se blesser devenaient extrêmement élevées. C’était un excellent moyen d’inciter quelqu’un à avoir peur de bouger et de consacrer son temps et son argent à essayer de le réparer avec son coach. Mais était-ce le message obtenu lors du recueil des résultats des tests FMS ?

Néanmoins, c’était une bonne idée d’essayer d’introduire FMS dans le monde de la performance et de la rééducation. Cela aurait été une bonne idée même si ce n’était pas l’intention initiale. Car nous avons vraiment tous intérêt à utiliser un bon “filtre”. Il n’est tout simplement pas clair que FMS soit réellement utilisé de cette façon.
En fait, il semble clair que ce n’est pas le cas.

Le FMS n’est pas officiellement conçu pour évaluer les personnes déjà blessées ou présence de douleur, mais simplement les «limitations» et les facteurs de risque de blessure. Et pourtant, certaines personnes s’entête à vendre FMS à leurs sportifs et patients également comme un «système de diagnostic basé sur le mouvement». Quel que soit son nom, les professionnels diagnostiquent définitivement en fonction du mouvement, d’une manière ou d’une autre. Mais il ne faut pas prendre le FMS, ou n’importe quel “filtre”, pour ce qu’il n’est pas.

Donc, soit il convient changer de nom, soit il devrait en fait être utilisé uniquement comme “filtre” – uniquement pour établir que «quelque chose ne va pas ici» ou «quelque chose qui ne va pas là» – et non pour déterminer ce qui ne va vraiment pas. Mais dans le monde réel, le FMS est souvent présentée comme un outil capable de “détecter” les problèmes biomécaniques et donc de justifier des méthodes d’entraînement ou de traitement permettant de les “corriger”. Contribuant ainsi à la création de la meilleure intervention possible.
Vu comme cela, ce n’est pas un “filtre”, c’est un diagnostic !

Les athlètes et les équipes sportives peuvent fortement investir dans le suivi de conseils fondés essentiellement sur les évaluations FMS. Mais l’objectif principal du filtre est de collecter des informations afin de prendre des décisions en fonction de celle-ci. Surtout pas de sauter sur des conclusions hâtives à propos de choses complexes. Le “screen” n’est que la 1ère étape.

La certification FMS et l’exagération de ses avantages sont également souvent utilisées par les coachs sportifs, préparateurs physiques et thérapeutes pour créer une impression de compétence diagnostique. Chacun cherchant à ressembler toujours plus à l’autres, et vice-versa. Les athlètes et les férus de fitness sont alors souvent des «influenceur» à cet égard.

Il s’agit bien sûr d’un problème général dans l’industrie, mais la certification FMS en est un exemple frappant.

S’agit-il uniquement de cas isolés de marketing de FMS? Peut-être que la formation des praticiens et la certification FMS minimiseraient cette surestimation? Peut-être. Il se peut que certains praticiens du FMS surestiment les revendications du FMS, allant au-delà de l’utilisation prévue…..volontairement !

L’utilisation du FMS comme “filtre” et outil de diagnostic a été particulièrement problématique, car les résultats de tests «normaux» sont bien définis. Un faible score FMS signifie supposément que vous êtes plus susceptible d’être blessé, mais… inférieur à quoi? A quelle population ? Une population de haut-niveau est-elle “normale” ? Il y a t-il des adaptations souhaitables pour une population, mais hors de la norme selon les critères FMS ? Réponse : oui ! FMS a besoin d’une base de référence – voire de plusieurs d’entre elles, pour une variété de populations bien définies. Mais surtout il a besoin de praticiens connaissant les objectifs d’un filtre, ses limitations, ainsi que quand et pourquoi ne pas suivre les règles du FMS.

Pourquoi ? Car les contraintes mécaniques dues à des schémas de mouvements différents n’entraînent pas toujours des microtraumatismes et des blessures. Les tissus ne peuvent-ils pas s’adapter positivement et devenir plus forts, comme tout tissu biologique normal. Les capacités deviennent supérieures aux sollicitations.
Mais également car tous les individus choisissent des stratégies motrices selon une biomécanique qui leur est propre.

Les exercices correctifs peuvent améliorer votre score à des tests tels que le FMS, mais cela n’a pas nécessairement un impact positif sur la performance sportive. Pour certain l’objectif devient d’obtenir un bon score FMS. Mais ce n’est pas le bon l’objectif !

Vous allez à présent vous demander : Ceci signifie t-il que le FMS, ou n’importe quel autre “screen” est sans intérêt ?
Encore une fois la question est mal posée. La question est plutôt : ai-je 10 minutes à utiliser avec mon sportif afin de recueillir des informations afin de savoir si les articulations ou les tissus vont être en mesure de s’adapter aux contraintes mécaniques que je pourrais leurs appliquer, et de d’observer comment mon sportif organise sa motricité ?
Rien de plus.
A partir des informations collectées chacun est libre de tirer les conclusions qu’il souhaite selon sa philosophie de l’entraînement et du mouvement humain. Puis de mettre en place les remédiations de son choix.
Un filtre est un filtre. Le choix des remédiations appartient aux humains. Ne blâmons pas le filtre, mais blâmons les humains. Chacun est responsable de ses prescriptions de méthodes et d’exercices.

Au final tout ceci me fait penser à la citation de Albert Einstein.

Tout le monde est un génie. Mais si on juge un poisson sur sa capacité à grimper à un arbre, il passera sa vie à croire qu’il est stupide. – Albert Einstein.

Le FMS, ou n’importe quel screen, est le poisson de la citation. Si vous jugez son intérêt à sa capacité à détecter les ruptures de LCA 6 mois en avance, vous passerez votre vie à croire que c’est stupide (et inutile).

Les promesses sur une méthode parfaite de détection des blessures n’engagent que ceux qui y croit. Utilisez le FMS selon vos besoins.

Personne ne blâme la barre de musculation si l’exercice mal réalisé, ou mal choisi.

Entrainement basé sur la vitesse : différences entre la vitesse moyenne et maximale

La plupart des appareils d’entrainement basés sur la vitesse permettent principalement a deux mesures de vitesse / puissance : moyenne (“Avg”) et maximale (ou de pointe – “Peak”).

Chez PUSH, ces deux mesures sont présentées sous forme de barres verticales superposées et de couleurs différents.

La vitesse moyenne mesure la vitesse sur toute la portion de concentrique de la répétition. La vitesse maximale est la vitesse la plus élevée dans une partie quelconque de 5 ms de cette répétition.

La vitesse moyenne est fortement liée à un % 1RM donné pour un individu dans les principaux exercices de force et la meilleure mesure de vitesse à surveiller pour ces exercices.

La vitesse de pointe est plus étroitement liée à la performance dans les exercices de puissance et est maintenant considérée comme la meilleure mesure de vélocité à surveiller pour ces exercices.

Cependant, il existe également une quantité considérable de données et de recherches utilisant la vitesse moyenne pour des exercices de puissance.

Il faut surtout noter qu’il est très facile d’obtenir et de surveiller ces mesures. L’une n’étant pas mieux que l’autre. Tout dépend de votre utilisation et de vos objectifs.