Modélisation mathématique de la performance sportive : de Banister à l'ère moderne — pourquoi les formules ne vous sauveront pas, mais méritent d'être comprises

Ouverture : ce coureur sous les 3 h qui fixait son TSS en insomniaque

J’ai entraîné un ingénieur, appelons-le A-Zhe. Ingénieur de données dans une entreprise tech de Taipei, les chiffres étaient sa langue maternelle. Quand il est venu me voir, il courait déjà le marathon en 3 h 15 min, avec l’objectif de passer sous les 3 heures. Lors de notre premier entretien, il a ouvert son ordinateur portable : à l’écran, une courbe qu’il avait tracée lui-même en Python. La ligne bleue représentait la « forme », la ligne rouge la « fatigue », et la ligne verte, résultat de la soustraction des deux, sa « performance » prédite. Très fier, il m’a dit : « Coach, j’ai codé moi-même le modèle de Banister. Cette semaine, la ligne verte va atteindre son pic, alors j’ai programmé un semi-marathon test. »

Résultat : il a explosé sur ce semi. Son allure s’est effondrée, et il a marché les trois derniers kilomètres pour rentrer.

Il n’en revenait pas : « Les maths ne mentent pas. Pourquoi le modèle dit que je suis au top de ma forme, alors que je cours mon pire résultat ? »

Cet article vise à répondre à la question d’A-Zhe. La modélisation mathématique de la performance sportive, de 1975 jusqu’au machine learning d’aujourd’hui, est une histoire fascinante et pleine de pièges. Je veux vous aider à comprendre : ce que disent ces formules, pourquoi elles sont utiles et, surtout, pourquoi elles peuvent se tromper. Et, en tant que sportif pratiquant réellement à Taïwan, comment les utiliser intelligemment, sans vous laisser piéger par elles.

Je vais d’abord donner la conclusion, pour que vous ne pensiez pas que je vous décourage : Le modèle mathématique n’est pas une boule de cristal, c’est une paire de lunettes. Avec elles, vous y verrez plus clair, mais vous devrez quand même marcher vous-même, et vous pourrez toujours trébucher sur une pierre.

I. Fondements scientifiques : ce que Banister calcule réellement

1.1 Une idée centrale contre-intuitive

En 1975, un chercheur nommé Eric Banister a proposé une idée qui influence encore aujourd’hui toutes les applications de sport : le modèle impulsion-réponse (impulse-response model).

Son intuition centrale est en réalité très conforme à notre expérience corporelle, mais elle est souvent ignorée des amateurs : chaque séance d’entraînement produit simultanément deux effets — un effet positif, la « forme (fitness) », et un effet négatif, la « fatigue (fatigue) ». Votre capacité de performance du moment est égale à la forme moins la fatigue.

Pour la résumer dans une formule que tout le monde retient :

Performance ＝ Forme (Fitness) － Fatigue (Fatigue)

Cela semble évident, mais Banister a ajouté une deuxième couche d’intuition cruciale, et c’est là tout le génie :

Après une séance, la fatigue est d’abord plus importante que la forme, donc votre capacité de performance diminue d’abord ; mais la fatigue disparaît plus vite que la forme ne se développe. Ainsi, avec le temps, la forme « refait surface » et la capacité de performance augmente.

C’est précisément le langage mathématique derrière la « surcompensation » et l’« affûtage (taper) ». Après un gros bloc d’entraînement, le lendemain, les jambes sont lourdes et on n’arrive pas à courir. Ce n’est pas parce que vous êtes devenu plus faible, mais parce que la courbe négative de la fatigue recouvre temporairement la courbe positive de la forme. Une fois la fatigue suffisamment dissipée, le moment où vous « refaites surface », c’est votre pic de forme.

Je compare souvent cela pour mes athlètes : La forme, c’est comme un dépôt d’épargne ; la fatigue, c’est comme une dette de carte de crédit. Chaque fois que vous payez par carte (entraînement), vous augmentez à la fois votre épargne et votre dette, mais les intérêts de la dette se remboursent vite, tandis que l’épargne reste longtemps. La semaine d’affûtage, c’est le processus qui consiste à « ne plus utiliser sa carte, laisser la dette disparaître et mettre l’épargne en évidence ».

1.2 Comment transformer « l’entraînement » en un chiffre : le TRIMP

Pour que le modèle fonctionne, il faut d’abord quantifier « combien on s’est entraîné aujourd’hui » en un chiffre. L’outil utilisé par Banister s’appelle le TRIMP (Training Impulse, impulsion d’entraînement).

Le concept de calcul de base est le suivant :

TRIMP ≈ durée de l’exercice × pondération de l’intensité basée sur la fréquence cardiaque

Ici, la fréquence cardiaque n’est pas directement multipliée par les bpm bruts, mais on utilise le concept de « réserve de fréquence cardiaque (Heart Rate Reserve) » — c’est-à-dire la position relative de votre fréquence cardiaque actuelle dans l’intervalle entre « fréquence cardiaque maximale moins fréquence cardiaque au repos » — puis on multiplie par un coefficient de pondération qui augmente avec l’intensité (car le stress physiologique à haute intensité augmente de façon non linéaire, et non linéairement).

Prenons un exemple facile à comprendre pour un coureur taïwanais. Supposons qu’A-Zhe :

• ait une fréquence cardiaque au repos de 48 bpm, une fréquence cardiaque maximale de 190 bpm, donc une réserve de fréquence cardiaque = 142 bpm
• fasse un footing de 60 minutes au bord de la rivière, avec une fréquence cardiaque moyenne de 140 bpm

Son intensité relative se situe autour de (140−48)/142 ≈ 0,65, ce qui correspond à une intensité faible à modérée. Le système attribuera une pondération moyenne à cette séance, calculant une valeur TRIMP moyenne. Si, sur la même durée de 60 minutes, il va faire des intervalles sur la piste avec une fréquence cardiaque moyenne qui monte à 175 bpm, l’intensité relative grimpe à 0,89, le coefficient de pondération est fortement amplifié, et la valeur TRIMP peut être plus du double de celle du footing.

L’important n’est pas de mémoriser la formule, mais de comprendre ce qu’elle cherche à capturer : un entraînement à la fois long et éprouvant a l’impulsion la plus grande ; un entraînement court et léger a l’impulsion la plus faible. Cela correspond à votre intuition corporelle.

Note complémentaire : vous verrez peut-être sur Garmin, Strava, TrainingPeaks le TSS (Training Stress Score) ou le Suffer Score. Ce sont des cousins proches du TRIMP, qui utilisent la puissance ou la fréquence cardiaque pour estimer la même chose — l’ampleur de la charge interne de cette séance sur le corps. Les noms diffèrent, l’âme est la même.

1.3 Deux constantes de temps : l’âme du modèle

Une fois les TRIMP quotidiens injectés dans le modèle, la forme et la fatigue s’accumulent et se dissipent chacune selon une courbe de « décroissance exponentielle ». Chaque courbe possède une constante de temps (time constant), qui détermine sa vitesse de décroissance :

Composante	Signification	Constante de temps typique (fourchette conceptuelle uniquement)	En clair
Forme (Fitness)	Adaptation positive à long terme apportée par l’entraînement	Plus longue (de l’ordre de plusieurs semaines)	L’épargne, qui dure
Fatigue (Fatigue)	Consommation négative à court terme apportée par l’entraînement	Plus courte (de l’ordre de quelques jours)	La dette de carte, qui disparaît vite

Je tiens à souligner : les constantes de temps du tableau ci-dessus ne sont que des « ordres de grandeur conceptuels », pas des chiffres à appliquer directement. Ces paramètres varient d’une personne à l’autre, et même pour une même personne, à différentes phases d’entraînement. C’est le premier indice de ce qui sera abordé plus loin : « l’imprécision du modèle ».

1.4 Cinquante ans d’évolution : une frise chronologique pour comprendre l’histoire de la modélisation

Beaucoup pensent que la modélisation sportive est récente. En réalité, ce chemin a été parcouru depuis un demi-siècle. J’ai dessiné une frise simplifiée pour mes athlètes, afin qu’ils comprennent « sur les épaules de qui se tiennent les applications que nous utilisons aujourd’hui » :

Époque (approximative)	Étape clé	Changement conceptuel apporté
Années 1970	Banister propose le modèle impulsion-réponse et le TRIMP	Première fois que « entraînement → performance » est écrit sous forme de formule calculable
Années 1980-1990	Le modèle est utilisé dans des études de cas en natation, course à pied, cyclisme	Passage de la théorie au suivi d’athlètes réels
Années 2000	Le TSS, les capteurs de puissance se généralisent, essor des plateformes commerciales	Emballage des modèles académiques en tableaux de bord accessibles à tous
Années 2010	Le monde académique examine systématiquement les défauts statistiques du modèle	Commencement à faire face honnêtement à « l’imprécision des prédictions »
Années 2020 à aujourd’hui	Le machine learning et les méthodes multivariées renforcent les modèles traditionnels	Passage de deux variables à une approche multidimensionnelle, mais nécessitant toujours beaucoup de données propres

Le point clé que ce tableau veut transmettre : chaque génération de méthode ne renverse pas la précédente, elle comble ses angles morts. La formule de Banister vit encore aujourd’hui dans chaque calcul de votre montre, simplement enveloppée de plusieurs couches supplémentaires. Comprendre ce contexte vous évitera de vénérer aveuglément les « dernières prédictions IA » et de mépriser le « vieux TRIMP » — ils sont en amont et en aval d’une même rivière.

---

II. Méthodes pratiques : comment utiliser le modèle dans un entraînement réel

Les maths, c’est les maths ; nous, on veut s’entraîner. Voici comment je mets concrètement ce cadre en pratique avec mes athlètes.

2.1 Trois indicateurs que vous utilisez tous les jours, sans forcément connaître leur nom

Les applications d’entraînement modernes (le graphique PMC de TrainingPeaks, intervals.icu, le Training Status de Garmin) sont presque toutes des descendants directs du modèle de Banister, simplement avec un autre habillage. Elles vous donnent généralement trois courbes :

Indicateur (abréviation anglaise courante)	Concept Banister correspondant	Interprétation simple	Usage pratique
CTL (charge d’entraînement chronique, moyenne à long terme)	Forme (Fitness)	Le niveau de fond accumulé sur environ 6 semaines	Voir la tendance de progression à long terme
ATL (charge d’entraînement aiguë, moyenne à court terme)	Fatigue (Fatigue)	La fatigue accumulée sur environ 1 semaine	Voir si on s’entraîne trop
TSB＝CTL−ATL (balance du stress d’entraînement)	Performance	À quel point vous « refaites surface » aujourd’hui	Cibler le pic de forme pour la compétition

L’erreur initiale d’A-Zhe était précisément de ne regarder que le TSB (la ligne verte). Dès qu’il devenait positif, il pensait être au top et programmait directement un test difficile. Mais le TSB est une estimation indirecte « moyenne » ; il ne sait pas que vous n’avez dormi que 5 heures la nuit dernière, que la pression d’un projet urgent au travail est maximale, que vous avez mangé trop salé à l’extérieur et que vous êtes gonflé, ou qu’il y a justement une vague de chaleur humide à Taipei. Le modèle voit votre entraînement, pas votre vie.

2.2 Un exemple concret de programme de « semaine d’affûtage » applicable

L’affûtage (taper) est l’application la plus classique et la plus validée empiriquement du modèle de Banister — en réduisant la charge, on laisse la fatigue se dissiper et la forme émerger, pour atteindre un pic de TSB le jour de la compétition. Voici le cadre d’affûtage que j’ai conçu pour A-Zhe, sur les deux semaines précédant la course (exemple pour un marathon complet, avec les zones d’intensité décrites par la perception subjective RPE 1-10 et la fréquence cardiaque, pour éviter une fausse précision) :

Semaine avant la course	Volume hebdomadaire par rapport à la normale	Séances clés	Objectif (en langage modèle)
Semaine 3 avant la course (dernière grosse semaine)	100%	Une sortie longue, une sortie tempo	Dernière fois pour augmenter le dépôt de forme
Semaine 2 avant la course	Environ 70-80%	Conserver l’intensité, réduire le volume	Commencer à faire baisser la fatigue (ATL)
Semaine 1 avant la course	Environ 50-60%	Intervalles courts pour maintenir la vivacité neuromusculaire	L’ATL chute fortement, le CTL ne baisse presque pas
2-3 jours avant la course	Environ 30-40%	Quelques courtes accélérations, beaucoup de repos	Le TSB atteint son pic, la forme émerge

Il y a ici un point clé souvent mal compris : l’affûtage ne signifie pas arrêt total de l’entraînement. Un repos complet fait perdre la « vivacité » (coordination neuromusculaire, sensation du seuil lactique). Le bon affûtage consiste à « réduire le volume, maintenir l’intensité » — diminuer fortement le kilométrage total, mais conserver un peu de stimulation à haute intensité, afin que la baisse de forme soit bien inférieure à la baisse de fatigue. C’est exactement ce que le modèle nous dit : la fatigue disparaît vite, la forme disparaît lentement, donc un affûtage court permet au TSB net d’augmenter.

2.3 Ajustements pour le contexte taïwanais : les variables que le modèle ne vous dit pas

S’entraîner à Taïwan implique plusieurs variables locales qui perturbent sérieusement les prédictions du modèle. Je signale toujours ces points à mes athlètes :

• Chaleur et humidité : En été à Taïwan, il fait facilement 32 °C avec une humidité supérieure à 80 %. Pour une même allure, la fréquence cardiaque peut augmenter de 10 à 15 bpm, voire plus, dans ces conditions. Cela signifie que votre TRIMP sera surestimé — le modèle pense que vous vous entraînez très dur (fréquence cardiaque élevée), mais en réalité vous luttez simplement contre l’environnement, et le stimulus d’entraînement réel n’est pas si important. En été, il faut relativiser les chiffres de CTL.
• Repas à l’extérieur et hydratation : La nourriture à l’extérieur à Taïwan est généralement assez salée, l’apport en sodium est élevé, ce qui peut provoquer une rétention d’eau avant une course, un poids gonflé, et affecter les sensations et l’allure. Pendant la semaine d’affûtage, je demande à mes athlètes de faire attention à une alimentation plus légère et à leur hydratation, mais c’est un conseil général, pas un calcul précis de dose de sodium.
• Le terrain : Les pistes cyclables au bord des rivières, les pistes en PU des stades, les pistes d’athlétisme des écoles sont les terrains de jeu de la plupart des coureurs taïwanais. Les bords de rivière sont plats et faciles pour tenir l’allure, mais exposés au soleil en été et au vent du nord-est en hiver ; la piste est monotone mais idéale pour les séances d’intensité. Tout cela affecte la charge physiologique réelle d’un même programme, alors que le modèle ne voit que la fréquence cardiaque et le temps.

2.4 Le cas particulier du cyclisme : la puissance rend la modélisation plus précise, mais aussi plus propice à l’auto-illusion

Cette catégorie est classée dans « science du cyclisme », je dois donc parler spécifiquement du vélo. Par rapport à la course à pied, où l’on ne peut estimer la charge que par la fréquence cardiaque, le cyclisme dispose d’un outil que les coureurs envient : le capteur de puissance (power meter). La puissance est « le nombre de watts que vous transmettez réellement aux pédales », une mesure directe de la charge externe, contrairement à la fréquence cardiaque qui est fortement perturbée par la température, la caféine, la déshydratation, le sommeil.

Cela rend la modélisation du cyclisme intrinsèquement plus précise. Le TSS calculé à partir de la puissance est plus stable et plus reproductible que le TRIMP calculé à partir de la fréquence cardiaque. J’ai un athlète qui a participé au défi de Wuling, et c’est grâce aux données de puissance qu’il a pu gérer sa charge d’entraînement avec beaucoup de finesse.

Mais la puissance apporte aussi un nouveau piège d’auto-illusion : parce que la puissance est très objective, beaucoup de cyclistes lui font trop confiance, ignorant que « le même nombre de watts a un coût interne complètement différent selon l’état du corps ». Laissez-moi illustrer avec un tableau le même 250 watts, dans différents contextes, et la charge réelle :

Contexte	Puissance de sortie	Réaction de la fréquence cardiaque	Sensation subjective	Charge interne réelle
Matin frais, bien dormi	250 W	Modérée	Facile à tenir	Modérée
Après-midi chaud et humide d’été à Taïwan	250 W	Nettement élevée	Très pénible	Élevée
Dette de sommeil, début de rhume	250 W	Anormalement élevée	Extrêmement douloureux	Trop élevée, dangereuse

Avec le même chiffre de puissance, le TSS calculé est identique, mais le coût pour votre corps est radicalement différent. C’est précisément pourquoi j’exige toujours de mes cyclistes : à côté de l’enregistrement de puissance, il faut toujours regarder en parallèle la fréquence cardiaque et la sensation subjective. Quand vous remarquez « même puissance, aujourd’hui fréquence cardiaque beaucoup plus élevée, sensation de fatigue beaucoup plus grande », c’est votre corps qui vous parle — peu importe ce que dit le modèle, ce jour-là, il faut lever le pied. La puissance rend la charge externe précise, mais la charge interne devra toujours être complétée par votre propre corps et vos enregistrements.

---

III. Les limites de la prédiction : pourquoi A-Zhe a explosé

C’est le passage le plus important de tout l’article. Si vous ne devez retenir qu’une chose, retenez celle-ci.

3.1 Le défaut statistique du modèle : des paramètres impossibles à cerner précisément

Les recherches récentes en science du sport ont formulé des critiques assez sévères à l’encontre du modèle traditionnel forme-fatigue. Les chercheurs soulignent que ce modèle est statistiquement « mal conditionné (ill-conditioned) » — en clair, l’« identifiabilité (identifiability) » des deux ensembles de paramètres, forme et fatigue, est très mauvaise : avec les mêmes données d’entraînement et de performance, on peut ajuster de nombreux ensembles de paramètres très différents qui donnent tous des résultats similaires.

Qu’est-ce que cela signifie ? Cela signifie que lorsque votre application vous dit « votre constante de temps de fatigue est de X jours », la fiabilité de ce chiffre est en réalité faible — changez la période de données, changez la méthode d’ajustement, et vous obtiendrez peut-être des valeurs complètement différentes. Le modèle « explique » généralement bien vos performances passées, mais pour « prédire » vos performances futures, la précision et la fiabilité sont remises en question.

3.2 Une physiologie trop simplifiée

Le deuxième défaut majeur : la véritable adaptation physiologique est bien plus complexe qu’une « soustraction de deux courbes exponentielles ». Les recherches indiquent que les principaux problèmes du modèle viennent d’une simplification excessive des processus physiologiques de l’exercice, et du traitement des « facteurs influençant la performance » comme une variable unique.

En réalité, les facteurs qui déterminent si vous pouvez bien courir aujourd’hui incluent au moins : les réserves de glycogène musculaire, la qualité du sommeil, le stress psychologique, l’état hormonal, l’état immunitaire, l’hydratation et les électrolytes, la température et l’humidité ambiantes, et même l’état gastro-intestinal. Le modèle de Banister compresse toute cette forêt en deux arbres : « forme » et « fatigue ». La compression est pratique, mais la compression, c’est de la distorsion.

Le jour où A-Zhe a explosé, la ligne verte du modèle était effectivement à son pic — car, sur la seule dimension de la « charge d’entraînement », il avait effectivement bien géré son affûtage. Mais cette semaine-là, il avait veillé tard pour un projet, accumulé une dette de sommeil, et subi la chaleur humide de la saison des pluies. Toutes ces « dimensions invisibles » pour le modèle se sont dégradées simultanément. Le modèle n’avait pas tort, le modèle était simplement aveugle — il ne voit que les quelques chiffres qu’on lui donne.

3.3 Différences individuelles : pas de paramètres universels

Troisièmement, les recherches insistent à plusieurs reprises : le choix optimal des indicateurs et des paramètres varie d’une personne à l’autre. Un modèle adapté aux athlètes d’élite, à un sport unique, à un échantillon homogène, ne s’appliquera pas nécessairement à vous, à un autre sport ou à un autre type d’entraînement. C’est aussi pourquoi de nombreuses études concluent que « des validations supplémentaires sont nécessaires dans différents sports et populations ».

3.4 Le machine learning est-il la solution ? Oui, mais sans le mythifier

Alors, remplacer les vieilles formules par du machine learning (apprentissage automatique) rend-il tout invincible ?

L’attitude des recherches est en réalité très pragmatique, et je la partage : le machine learning ne vise pas à « remplacer » le modèle forme-fatigue, mais potentiellement à « renforcer » ses faiblesses. En intégrant des connaissances physiologiques dans des algorithmes d’apprentissage non linéaires et multivariés, le machine learning a l’opportunité de gérer des interactions complexes que les modèles traditionnels ne peuvent pas traiter (par exemple, en intégrant sommeil, environnement, sensations subjectives), et même d’utiliser l’apprentissage d’ensemble (ensemble) pour combiner plusieurs modèles de réponse individualisés.

Mais je dois jeter une douche froide pragmatique à tous les A-Zhe qui aiment les chiffres : le machine learning se nourrit de données. Il a besoin d’enregistrements à long terme, propres et multidimensionnels pour bien apprendre ; or, les données sportives personnelles sont souvent rares, bruitées et discontinues. Si vous y jetez des données sales, vous n’obtiendrez pas une prophétie, mais du bruit joliment emballé. L’adage « garbage in, garbage out » est particulièrement cruel dans la modélisation sportive.

3.5 Comparaison honnête de trois générations de méthodes

Pour vous donner un repère pragmatique sur « à quel point faire confiance à la modélisation », je compare les trois générations de méthodes :

Méthode	Données nécessaires	Avantages	Limites principales	À qui cela convient
Pure sensation subjective (RPE, ressenti)	Presque aucun outil	Au plus près du réel, zéro coût, toujours disponible	Subjectif, difficile à comparer objectivement sur le long terme	Tout le monde, surtout les débutants
Modèle traditionnel Banister/TSS	Fréquence cardiaque ou puissance + temps	Quantifie les tendances, voit la progression à long terme	Paramètres instables, simplification excessive, prédictions peu fiables	Niveau intermédiaire avec objectifs, entraîneurs
Machine learning / modèles multivariés	Données abondantes, propres, multidimensionnelles	Peut intégrer sommeil, environnement et d’autres facteurs	Extrêmement exigeant en qualité de données, facile à mythifier	Niveau avancé avec données riches, équipes de recherche

Après avoir vu ce tableau, vous devriez remarquer une chose : aucune méthode n’est « la meilleure », il n’y a que « la plus adaptée à votre stade actuel ». Et quelle que soit la génération, la colonne « sensation subjective » est présente de bout en bout — c’est le fondement de toutes les méthodes, pas un outil primitif à éliminer. Les athlètes les plus performants que j’ai entraînés sont souvent ceux qui savent lire les données tout en n’abandonnant jamais les sensations corporelles. Plus la technologie est avancée, plus il faut revenir à la question la plus fondamentale : « Aujourd’hui, comment mon corps se sent-il ? »

---

IV. Erreurs courantes et corrections

Après toutes ces années à entraîner, j’ai vu toutes sortes de situations où les chiffres égarent. Je les résume dans un tableau pour que vous puissiez vous y reconnaître :

Erreur courante	Malentendu sous-jacent	Ma suggestion de correction
Ne regarder que le TSB positif pour programmer une séance dure / un test	Croire que le « pic de performance » du modèle équivaut à « le corps est vraiment prêt »	Utiliser le TSB comme référence, mais toujours le croiser avec le sommeil, l’humeur, l’environnement, la fréquence cardiaque du matin avant de décider
Chercher à faire monter le CTL sans cesse	Considérer le « score de forme » comme un objectif en soi	Le CTL est un résultat, pas un objectif ; le faire monter trop vite ne fait qu’accumuler la fatigue et augmenter le risque de blessure
Être rassuré en été parce que le CTL ne baisse pas	Ignorer que la chaleur humide fait grimper artificiellement la fréquence cardiaque et surestime le TRIMP	Relativiser les données estivales, se fier davantage à l’allure et à la puissance qu’à la seule fréquence cardiaque
Être anxieux si on oublie de noter ses données un jour	Faire de l’outil le maître	Le modèle est un outil de tendance ; quelques données manquantes ne changent pas l’essentiel, ne pas inverser les priorités
Appliquer directement les paramètres / programmes des autres	Ignorer les différences individuelles	Les paramètres doivent être calibrés avec vos propres données, les programmes doivent être ajustés selon votre vie et vos sensations

Une correction réelle : le deuxième affûtage d’A-Zhe

Après son explosion, j’ai demandé à A-Zhe de faire quelque chose de très peu « ingénieur » : mesurer sa fréquence cardiaque au repos chaque matin, noter un score subjectif d’état de forme de 1 à 10, et écrire une phrase sur la qualité de son sommeil. Ces trois données très basse technologie, ajoutées à ses courbes de modèle existantes, ont été analysées ensemble.

Trois mois plus tard, lors de l’affûtage pour le marathon suivant, la ligne verte du modèle était de nouveau à son pic, mais cette fois sa fréquence cardiaque matinale était supérieure de 6 bpm à la normale, son score subjectif n’était que de 5, et il n’avait pas bien dormi les deux nuits précédentes. Nous avons décidé ensemble : annuler le test prévu avant la course et le remplacer par une journée d’activité légère. Résultat : le jour de la course, il a couru en 2 h 58 min, passant sous les 3 heures.

Cette fois-là, le modèle avait encore « raison » — la direction du pic de forme était correcte. Mais ce qui l’a vraiment sauvé, c’est d’avoir appris à considérer le modèle comme un conseiller parmi d’autres, et non comme l’unique patron.

---

V. Recommandations d’action pour différents niveaux de lecteurs

Si vous êtes un débutant qui commence tout juste le sport

• Ne touchez à aucun modèle pour l’instant. Les chiffres comme CTL, TSB sont des distractions à votre stade, pas une aide. Ce dont vous avez le plus besoin maintenant, c’est d’accumuler « l’habitude de faire du sport régulièrement » et les « sensations corporelles de base ».
• Entraînez-vous avec l’outil le plus primitif : la sensation subjective (RPE 1-10). Aujourd’hui, cette sortie était-elle facile (3), modérée (5-6), ou très fatigante (8 et plus) ? Maîtriser cela vaut plus que n’importe quelle application.
• Accordez-vous au moins un jour de repos complet par semaine. Votre fatigue a besoin de se dissiper, c’est une loi physique du corps, pas de la paresse.

Si vous êtes un niveau intermédiaire avec des données, qui veut progresser (comme A-Zhe)

• Vous pouvez commencer à regarder les tendances du CTL/ATL/TSB, mais toujours comme une « référence » et non comme un « ordre ».
• Construisez votre propre journal multidimensionnel : fréquence cardiaque au repos le matin, heures de sommeil, score subjectif d’état de forme. Ces trois éléments coûtent presque rien et comblent le plus grand angle mort du modèle.
• Pendant l’affûtage, retenez la formule : réduire le volume, maintenir l’intensité. Ne vous arrêtez pas complètement de vous entraîner.
• Apprenez à relativiser les données estivales, faites davantage confiance à l’allure et à la puissance, moins à la seule fréquence cardiaque.

Si vous êtes un entraîneur avancé ou qui encadre une équipe

• Considérez le modèle comme un outil de communication et un tableau de bord de tendances, pour discuter avec l’athlète de « la direction de ce mois-ci est-elle bonne », et non pour prédire une performance précise un jour donné.
• Si vous voulez explorer le machine learning, assurez-vous d’abord de la qualité des données : long terme, continuité, multidimensionnalité. La qualité des données détermine le plafond du modèle.
• Gardez toujours « l’œil de l’entraîneur ». Le teint de l’athlète, sa foulée, son énergie dans la conversation, le modèle n’apprendra jamais cela, et ces signes vous disent souvent avant n’importe quel chiffre que « cette personne est sur le point d’avoir un problème ».
• Aidez l’athlète à établir un « principe de gestion en cas de conflit entre données et sensations ». Mon paramètre par défaut : quand le modèle dit « on peut s’entraîner », mais que la fréquence cardiaque matinale est nettement élevée et que la sensation subjective est très fatiguée, on réduit toujours l’intensité. Le coût de sauter une séance à haute intensité est minime ; le coût d’un surentraînement ou d’une blessure en forçant, c’est plusieurs semaines, voire plusieurs mois. Ce biais de prudence est presque toujours rentable à long terme.
• Ne laissez pas les données remplacer la conversation. Avant et après chaque séance, je passe une ou deux minutes à simplement demander à l’athlète « comment tu te sens aujourd’hui ». Les informations contenues dans cette conversation dépassent souvent tout le tableau de bord. Ce que le modèle peut quantifier est limité ; l’observation humaine a toujours une valeur irremplaçable.

---

VI. Les six questions que mes athlètes me posent le plus souvent (FAQ)

Au fil des ans, sur la modélisation sportive, les questions de mes athlètes sont très répétitives. Voici une FAQ, qui répond peut-être à vos propres interrogations.

Q1 : Dois-je vraiment acheter une montre ou un abonnement à une plateforme qui calcule le CTL/TSB ?

Cela dépend de votre stade. Si vous êtes débutant, économisez votre argent, entraînez-vous d’abord à la régularité et aux sensations. Si vous êtes un niveau intermédiaire avec un objectif de course clair et un entraînement hebdomadaire stable, ce type d’outil peut vous aider à voir les tendances à long terme et à éviter de vous surentraîner inconsciemment ; l’investissement en vaut la peine. Mais rappelez-vous : l’outil est là pour aider la décision, pas pour générer de l’anxiété.

Q2 : L’application dit « récupération bonne, haute intensité possible », mais je me sens fatigué. Qui dois-je écouter ?

Écoutez votre corps. C’est presque une règle d’airain. Les recommandations de l’application sont des jugements probabilistes basés sur ses entrées limitées ; elle ne sait pas que vous avez mal dormi cette nuit ou que la pression au travail est maximale. En cas de conflit entre les chiffres et les signaux corporels, la priorité va toujours aux signaux corporels. Forcer contre son corps sur le long terme, c’est le prix du surentraînement ou de la blessure.

Q3 : Pourquoi mon CTL stagne-t-il alors que je m’entraîne sérieusement ?

Un CTL qui stagne n’est pas forcément une mauvaise chose. Cela peut signifier que vous êtes entré dans une « phase de maintien », où le corps consolide les adaptations existantes. Chercher à tout prix à faire monter le CTL se traduit souvent par une accumulation de fatigue et des blessures. Le progrès n’est jamais une ligne droite, c’est un escalier — le plateau est une recharge pour le prochain bond.

Q4 : Le modèle peut-il prédire mon temps au marathon ?

Il peut vous donner une « fourchette de référence », mais ne le prenez pas comme une garantie. Comme évoqué plus haut, la fiabilité de ce type de prédiction est remise en question par le monde académique, et la météo, le ravitaillement, le mental, la stratégie d’allure le jour J, n’importe quelle erreur rendra les secondes calculées imprécises. Considérez-le comme une référence « dans quelle fourchette je vais probablement tomber », pas comme un objectif gravé dans la pierre.

Q5 : À quelle fréquence dois-je recalibrer les paramètres de mon modèle ?

Pour un sportif généraliste, je recommande de revoir la tendance au moins à la fin de chaque cycle d’entraînement (environ 8 à 12 semaines), plutôt que de fixer les fluctuations quotidiennes avec anxiété. Le bruit des données journalières est important ; seules les tendances hebdomadaires et mensuelles ont du sens.

Q6 : Les applications d’entraînement basées sur l’IA / le machine learning peuvent-elles résoudre tous les problèmes ?

Non. Elles peuvent traiter plus de dimensions de données, mais leur plafond est la qualité des données que vous leur donnez. Avec des données rares, bruitées et discontinues, même l’algorithme le plus puissant ne peut pas apprendre quelque chose de fiable. Et même le modèle le plus avancé ne peut pas remplacer l’œil de l’entraîneur ni vos propres sensations corporelles. Considérez l’IA comme un assistant très doué pour calculer, pas comme un dieu omniscient.

---

VII. Un rappel santé et sécurité

Le modèle mathématique a un effet secondaire dangereux : il peut donner à une personne une confiance excessive en sa capacité à tenir. Quand la ligne verte est belle, certaines personnes ignorent les vrais signaux d’alarme du corps et forcent.

N’oubliez jamais que le modèle ne détecte pas les maladies. Si vous présentez ces symptômes pendant ou après l’entraînement, ne vous rassurez pas en vous disant « mon TSB est pourtant bon », arrêtez-vous et consultez un médecin si nécessaire :

• Oppression thoracique, douleur thoracique, essoufflement anormal, vertiges, syncope pendant ou après l’effort
• Fréquence cardiaque au repos anormalement élevée sur le long terme, sensation d’arythmie, palpitations
• Fatigue extrême disproportionnée, baisse inexpliquée des performances pendant plusieurs semaines

À Taïwan, l’accès aux soins est très pratique ; sous l’assurance maladie nationale, le seuil d’accès aux consultations de cardiologie ou de médecine du sport n’est pas élevé. Pour les personnes ayant des antécédents de maladies cardiovasculaires, de diabète, d’hypertension, ou des antécédents familiaux de maladies cardiaques, avant de commencer ou d’augmenter fortement l’intensité de l’entraînement, il est fortement recommandé de consulter d’abord un médecin pour une évaluation individualisée — ces situations nécessitent un jugement professionnel et une prise en charge personnalisée, qu’aucun modèle ni article ne peut remplacer. Je reste prudent dans mes termes : je ne pose ici aucun diagnostic et ne donne aucune prescription, je vous rappelle simplement de confier ce qui est professionnel à des professionnels.

Conclusion : considérez la formule comme des lunettes, pas comme une boule de cristal

De la formule « forme moins fatigue » de Banister en 1975 au machine learning intégrant des connaissances physiologiques aujourd’hui, la modélisation mathématique de la performance sportive a parcouru cinquante ans. La plus grande leçon que ce voyage m’a apprise est la suivante : la valeur d’un modèle ne réside pas dans sa capacité à prédire précisément demain, mais dans sa capacité à vous aider à voir un peu plus clair dans le chaos de l’entraînement.

A-Zhe m’a dit plus tard une phrase que j’aime beaucoup : « Coach, avant je pensais que le modèle allait me donner les réponses. Maintenant je sais qu’il m’aide juste à poser les bonnes questions. »

C’est ce que je veux vous laisser. Mettez ces lunettes mathématiques, vous y verrez plus clair — mais c’est toujours vous qui marchez, c’est toujours vous qui ressentez votre corps, et c’est toujours vous qui êtes responsable de chaque pas. Les chiffres sont des serviteurs, le corps est le maître. Que votre outil soit une vieille formule de cinquante ans ou le dernier algorithme d’IA, ce qui détermine vraiment jusqu’où vous pouvez aller, ce n’est jamais l’intelligence du modèle, c’est d’avoir appris à l’utiliser judicieusement tout en écoutant honnêtement votre corps. Puissiez-vous vous entraîner intelligemment et sainement, en vous éloignant un peu plus des blessures et en vous rapprochant un peu plus de la passion à chaque sortie.

---

Cet article est un contenu éducatif et ne remplace pas un diagnostic ou un avis thérapeutique individualisé d’un médecin, d’un kinésithérapeute ou d’un nutritionniste.

Références

• Application du modèle forme-fatigue et concept du modèle impulsion-réponse : https://pmc.ncbi.nlm.nih.gov/articles/PMC8949585/
• Défauts statistiques du modèle traditionnel forme-fatigue (mauvaise identifiabilité des paramètres, fiabilité prédictive remise en question) : https://www.nature.com/articles/s41598-025-88153-7
• Problèmes conceptuels du modèle forme-fatigue et contribution du machine learning : https://pmc.ncbi.nlm.nih.gov/articles/PMC8894528/
• Recherche sur la prédiction des effets de l’entraînement basée sur le modèle forme-fatigue dans le sport de masse : https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0337824

Lectures associées

• Le modèle de Banister : la quantification mathématique de la charge d’entraînement
• La surcompensation et la théorie de l’adaptation à l’entraînement : la logique physiologique derrière les programmes
• La science des tests sportifs : comment évaluer sa condition physique, choisir le bon terrain de test et les méthodes de suivi
• Lire ses propres données d’entraînement : extraire l’or des déchets