The large amount of features recorded from GPS and inertial sensors (external load) and well-being questionnaires (internal load) can be used together in a multi-dimensional non-linear machine learning based model for a better prediction of non-contact injuries. In this study we put forward the main hypothesis that the use of such models would be able to inform better about injury risks by considering the evolution of both internal and external loads over two horizons (one week and one month). Predictive models were trained with data collected by both GPS and subjective questionnaires and injury data from 40 elite male soccer players over one season. Various classification machine-learning algorithms that performed best on external and internal loads features were compared using standard performance metrics such as accuracy, precision, recall and the area under the receiver operator characteristic curve. In particular, tree-based algorithms based on non-linear models with an important interpretation aspect were privileged as they can help to understand internal and external load features impact on injury risk. For 1-week injury prediction, internal load features data were more accurate than external load features while for 1-month injury prediction, the best performances of classifiers were reached by combining internal and external load features.

Hamstring injuries in soccer continue to be a challenge for professionals who work with soccer players daily. Although its origin is multifactorial, the proper management of neuromuscular fatigue during the training microcycle is a very important factor to consider. There are no clear guidelines regarding the weekly distribution of certain exercises that demand the hamstrings. The main objective of this study was to describe the usual training practices of professional European soccer teams. An international observational survey design was applied to some of the strength and conditioning coaches of professional soccer teams. The survey included different neuromuscular demanding exercises for the hamstrings. For each exercise, the strength and conditioning coaches had to respond in relation to their frequency of use and timepoint depending on the day of the weekly microcycle. Although there is no strong consensus in this regard, there does seem to be a trend when applying certain exercises, especially on the days matchday-4 and matchday-3.

Dans le domaine du football, de nombreuses études se sont déjà intéressées aux activités techniques, tactiques et physiques des joueurs, ainsi qu'à leurs effets sur les risques de blessures, et aux résultats obtenus suite à la modification des charges et des dynamiques de travail à l'entraînement. Par conséquent, étant donné la multitude de données disponibles dans le football moderne, l'utilisation de méthodes d'apprentissage automatique ou machine (ML) sur un ensemble de variables apparaît pertinente pour fournir des informations complémentaires à visée prédictive aux professionnels de l'entraînement. La présente thèse s’est concentrée sur l'optimisation de la préparation physique des joueurs de football en exploitant des méthodes ML pour prédire les adaptations de la charge d'entraînement, en intégrant un indicateur de charge interne, le RPE (Rate of Perceived Exertion), comme donnée d'entrée, et en considérant des horizons temporels distincts. Deux études longitudinales ont été menées dans le cadre de cette recherche. Dans une première étude, nous avons exploré l'utilisation d'une combinaison d’indicateurs de charges d'entraînement interne et externe pour prédire les risques de blessure chez des joueurs de football professionnel. Pour la prédiction sur une semaine, les données de RPE étaient plus précises que les caractéristiques de charge externes, tandis que pour la prédiction sur un mois, les meilleures performances des classificateurs (notamment les forêts aléatoires) ont été atteintes en combinant les caractéristiques de charge internes et externes. Dans une seconde étude, en confrontant plusieurs algorithmes de classification, nous avons évalué la capacité à prédire les valeurs RPE à partir des variables de la charge externe chez les joueurs de football professionnels dans une perspective chronologique. Les modèles ML basés sur des arbres ont montré une capacité prédictive statistiquement significative, indiquant des informations précieuses pour comprendre les réponses à la charge d'entraînement basées sur les données RPE antérieures. En conclusion, cette thèse a permis de mettre en évidence l'importance de la charge interne, le RPE, dans la prédiction des adaptations de la charge d'entraînement chez les joueurs de football. Les résultats obtenus ouvrent de nouvelles perspectives pour améliorer l'efficacité de la préparation physique des joueurs, contribuant ainsi à une meilleure gestion de leur performance tout au long de la saison. Cependant, pour aller encore plus loin dans cette voie, des recherches futures seront nécessaires pour affiner les modèles prédictifs, prendre en compte d'autres facteurs spécifiques aux joueurs et consolider l'utilisation des méthodes d'apprentissage automatique dans le domaine du football. Ces avancées prometteuses pourraient également être étendues à d'autres sports collectifs, renforçant ainsi les bénéfices pour les athlètes, les entraîneurs et les professionnels du sport.