Analyse du mouvement en sport : ce que mesurent la vidéo, les capteurs et l’IA

Vidéo au téléphone, capteurs portés sur le corps, applications qui reconstruisent un squelette à partir d’une image : l’analyse du mouvement, longtemps réservée aux laboratoires, est désormais à la portée de tous. On lit souvent qu’elle permettrait de « corriger la technique » et de prévenir les blessures. Les études disent quelque chose de plus précis. Certains outils mesurent bien certains mouvements, dans certains plans ; d’autres sont mal évalués. Et mesurer un geste ne suffit ni à savoir s’il blessera, ni à savoir comment le modifier. Cet article fait le point, étude par étude : ce que mesurent la vidéo en deux dimensions, la capture sans marqueurs, les capteurs inertiels et les applications, ce que valent les tests de dépistage des blessures, et ce que l’on sait de la façon d’apprendre un geste à partir d’une mesure. Il ne promet aucun résultat.

1. Analyser un mouvement : de quoi parle-t-on ?

Analyser un mouvement, c’est le décrire avec des mesures plutôt qu’à l’œil. Les chercheurs en biomécanique distinguent deux familles de mesures. La cinématique décrit le mouvement lui-même : les angles des articulations, les positions, les vitesses, les trajectoires. La cinétique décrit les forces qui le produisent : la force exercée sur le sol, les moments autour d’une articulation, la charge que supporte un tendon. La première se voit, la seconde se calcule ou se mesure avec des instruments spécialisés.

En laboratoire, la référence reste la capture du mouvement en trois dimensions avec des marqueurs : de petites pastilles réfléchissantes sont collées sur la peau, plusieurs caméras infrarouges les suivent, et un logiciel reconstruit le squelette en mouvement. Associée à des plateformes de force, elle permet de calculer les forces articulaires. Ce matériel est coûteux, demande du temps et un personnel formé, et reste confiné aux laboratoires et à quelques centres de haut niveau (Uhlrich et al., 2023).

Plus récemment, d’autres outils sont devenus accessibles : la vidéo en deux dimensions filmée avec un simple appareil ou un téléphone, les capteurs inertiels portés sur le corps, les applications qui mesurent une hauteur de saut ou la vitesse d’une barre, et la capture sans marqueurs, qui reconstruit le mouvement à partir de vidéos grâce à des algorithmes d’apprentissage automatique. Chacun mesure certaines choses correctement et d’autres beaucoup moins. Cet article fait le point, étude par étude, sur ce que ces outils mesurent, sur ce qu’ils ne permettent pas de conclure, et sur la façon dont une mesure peut, ou non, aider à modifier une technique.

Mesurer n’est pas corriger

Une mise en garde traverse tout cet article. Mesurer un angle de genou avec précision ne dit pas, à soi seul, si cet angle pose problème, ni comment le modifier, ni si le modifier changera quelque chose au risque de blessure ou à la performance. Ce sont trois questions différentes, qui demandent trois types de preuves différents. Les études de validité répondent à la première : l’outil mesure-t-il bien ? Les études de cohorte répondent à la deuxième : ce que l’on mesure est-il lié à ce qui arrive ensuite ? Les essais d’intervention répondent à la troisième : agir sur ce que l’on mesure change-t-il le résultat ? On verra que les réponses sont loin d’être aussi nettes que le laissent entendre beaucoup de présentations commerciales.

Validité et fiabilité : deux mots à ne pas confondre

Deux notions reviennent dans toutes les études citées ici. La validité dit si l’outil mesure ce qu’il prétend mesurer, en le comparant à une méthode de référence : la vidéo d’un téléphone donne-t-elle les mêmes angles que le système à marqueurs ? La fiabilité dit si l’outil donne le même résultat quand on répète la mesure dans les mêmes conditions, ou quand deux personnes différentes l’utilisent. Un outil peut être fiable sans être valide : il se trompe alors toujours de la même façon. Pour suivre sa propre progression, la fiabilité compte beaucoup ; pour comparer ses chiffres à ceux d’une étude ou d’une autre personne, la validité devient indispensable.

2. La vidéo en deux dimensions : utile dans un plan, moins dans l’autre

La vidéo en deux dimensions est l’outil le plus répandu : une caméra, un trépied, un logiciel qui permet de tracer des angles sur l’image. Une étude publiée en 2017 dans l’International Journal of Sports Physical Therapy l’a comparée directement à la capture 3D, en filmant les deux en même temps. Vingt-six adultes en bonne santé et actifs ont réalisé trois squats sur une jambe de chaque côté, enregistrés à la fois par trois caméras vidéo et par un système de capture 3D (Schurr et al., 2017).

Dans le plan sagittal, c’est-à-dire de profil, les deux méthodes concordaient bien : les corrélations allaient de modérées à fortes pour le tronc, la hanche, le genou et la cheville, et l’écart moyen entre les deux mesures restait de l’ordre de quelques degrés, comparable à l’erreur d’un goniomètre manuel. Dans le plan frontal, c’est-à-dire de face, la concordance était moins bonne : la corrélation était faible au genou, et les autres variables ne montraient pas de lien significatif entre les deux méthodes (Schurr et al., 2017).

Les auteurs en concluent que la vidéo 2D, malgré son manque de précision et son incapacité à saisir les rotations, peut être un moyen pratique d’évaluer les déplacements des articulations vus de profil, pour une évaluation grossière du mouvement (Schurr et al., 2017). C’est une étude de laboratoire sur un petit groupe et un seul exercice, mais elle illustre une limite générale : une caméra ne voit bien que ce qui se passe dans le plan qui lui fait face. Une rotation du genou vers l’intérieur, un bassin qui pivote, une épaule qui s’enroule échappent en grande partie à une image plate.

Ce que cela change pour filmer sa technique

Pour un squat, un soulevé de terre ou une foulée, la vue de profil donne une idée raisonnable de la flexion des hanches, des genoux et des chevilles, et de l’inclinaison du tronc. La vue de face renseigne sur l’alignement des genoux, mais l’angle que l’on trace sur l’image dépend beaucoup de la position de la caméra et de la façon dont la personne est tournée. Deux vidéos prises sous des angles un peu différents peuvent donner des chiffres différents pour un même mouvement. Filmer toujours de la même façon, à la même place, est donc plus important que la précision affichée par l’application.

3. La capture sans marqueurs et l’intelligence artificielle

La capture sans marqueurs reconstruit le mouvement directement à partir de vidéos ordinaires. Des algorithmes d’estimation de la pose, entraînés par apprentissage profond, repèrent sur chaque image les articulations et les segments du corps ; un modèle biomécanique en déduit ensuite les angles en trois dimensions. C’est ce que l’on désigne souvent, dans les présentations grand public, par « analyse du mouvement par l’IA ».

OpenCap : des forces calculées à partir de deux téléphones

L’exemple le plus étudié est OpenCap, une plateforme en libre accès présentée en 2023 dans PLoS Computational Biology. Elle calcule la cinématique, mais aussi la dynamique du mouvement, c’est-à-dire les forces, à partir de vidéos prises avec deux téléphones ou plus. Elle combine des algorithmes d’estimation de la pose, l’apprentissage profond et des simulations fondées sur la physique pour estimer les activations musculaires, les charges articulaires et les moments articulaires (Uhlrich et al., 2023).

Ses auteurs indiquent que la plateforme estime ces mesures avec précision, et rapportent une étude de terrain sur 100 personnes dans laquelle un clinicien a obtenu les mêmes types de mesures 25 fois plus vite qu’avec l’approche de laboratoire, pour moins de 1 % du coût (Uhlrich et al., 2023). Il s’agit des concepteurs de l’outil évaluant leur propre système : les études indépendantes comptent donc beaucoup.

Une revue de la littérature publiée en 2026 a justement rassemblé 51 études qui ont validé ou utilisé OpenCap. OpenCap était le plus précis pour les mesures dans le plan sagittal, plus précis pour les membres inférieurs que pour les membres supérieurs, chez les personnes en bonne santé que chez les patients, et lors du squat ou de la marche que lors des sauts. Les auteurs appellent à élargir les validations à des populations plus variées et à améliorer le suivi lorsqu’une partie du corps est masquée (Zhang et al., 2026).

Pendant la course

Une méta-analyse publiée en 2026 a porté sur la précision de la capture sans marqueurs pour mesurer les angles de la hanche, du genou et de la cheville vus de profil pendant la course, comparée aux systèmes à marqueurs. Sur 8 études, l’erreur moyenne regroupée était d’environ 4 degrés à chacune des trois articulations, avec des intervalles de confiance qui s’étendaient d’environ 2,5 à 6 degrés selon l’articulation (Gao et al., 2026).

Les auteurs qualifient ces erreurs de relativement petites pour le plan sagittal, tout en notant que leur ampleur et leur incertitude varient selon l’articulation. Ni une fréquence d’images plus élevée, ni un plus grand nombre de caméras ne donnaient un avantage constant. Ces résultats ne valent que pour les technologies et les conditions de course étudiées (Gao et al., 2026). Huit études, c’est peu, et rien ici ne concerne les mouvements de rotation ni le plan frontal.

Ce que l’IA ne fait pas encore

Ces travaux montrent des progrès réels. Ils ne montrent pas qu’une application grand public, filmant avec un seul téléphone dans une salle encombrée, donne des mesures aussi précises que dans ces études. Ils ne montrent pas non plus qu’une analyse automatique sait dire quelle correction apporter : l’outil décrit un mouvement, il ne juge pas de sa qualité. La question de l’interprétation reste entière, même si la mesure a progressé.

4. Les capteurs inertiels portés sur le corps

Les capteurs inertiels réunissent dans un petit boîtier un accéléromètre, un gyroscope et souvent un magnétomètre. Fixés sur un segment du corps ou sur un équipement, ils enregistrent ses accélérations et ses rotations, sans caméra, y compris en extérieur et pendant l’entraînement réel.

Une revue systématique publiée en 2018 dans Sensors a recensé 286 études et 23 revues sur leur usage pour évaluer la performance sportive. La plus grande partie de ces études portait sur l’analyse de la technique (163 études), devant l’évaluation des demandes physiques (61), l’évaluation des capacités motrices (51) et la classification des activités (19). Les études portaient surtout sur des athlètes de haut niveau ou de bon niveau (59 %), le plus souvent pendant l’entraînement sur le terrain (62 %) et plus rarement en compétition (7 %) (Camomilla et al., 2018).

Les auteurs décrivent ces capteurs comme peu coûteux, non invasifs et miniatures, et ils donnent des indications sur la fiabilité des indicateurs qu’ils fournissent, tout en appelant à la prudence et en dessinant des pistes pour l’avenir (Camomilla et al., 2018). Leur principal intérêt est de mesurer là où les caméras ne vont pas : sur l’eau, sur la neige, sur un terrain de sport collectif. Leur limite est symétrique : chaque capteur mesure le mouvement de l’endroit où il est fixé, et la qualité de la mesure dépend de sa position, de sa fixation et des calculs appliqués aux signaux bruts.

5. Applications de mesure : la hauteur de saut et la vitesse de la barre

Certaines applications ne cherchent pas à décrire tout le mouvement, mais une seule grandeur, ce qui les rend plus faciles à valider. Deux exemples ont été particulièrement étudiés.

La hauteur d’un saut filmée au téléphone

L’application My Jump calcule la hauteur d’un saut vertical à partir du temps de vol, que l’utilisateur repère image par image sur une vidéo au ralenti. Une méta-analyse publiée en 2023 dans Scientific Reports a rassemblé 21 études. Les hauteurs mesurées par l’application ne différaient pas significativement de celles des méthodes de référence, le classement des personnes était très cohérent entre les méthodes, et la fiabilité était presque parfaite (Gençoğlu et al., 2023).

Les auteurs précisent que ces résultats valent pour les mesures fondées sur le temps de vol, et qu’il reste à valider l’application face à la méthode de référence fondée sur la vitesse au décollage (Gençoğlu et al., 2023). C’est un bon exemple d’outil simple, bien étudié, qui mesure une seule chose : la hauteur du saut, pas la qualité de l’atterrissage.

La vitesse de la barre en musculation

En musculation, de nombreux appareils portables mesurent la vitesse ou la puissance d’un mouvement : transducteurs linéaires reliés à la barre par un câble, accéléromètres, systèmes optiques, applications vidéo. Une revue systématique publiée en 2021 dans Sports Medicine a rassemblé 44 études sur la validité et la fiabilité de ces appareils commercialisés (Weakley et al., 2021).

Ses conclusions sont prudentes. La plupart des études n’utilisaient pas de méthode de référence de premier ordre pour juger de la validité, ce qui a probablement conduit à sous-estimer ou à surestimer l’erreur de certains appareils. Les études de fiabilité confondaient souvent la variabilité de l’appareil et celle de la personne. Les transducteurs linéaires semblaient néanmoins plus exacts et plus fiables que les autres types d’appareils (Weakley et al., 2021). Avant de se fier à la vitesse affichée par un appareil, il est donc utile de savoir quelle technologie il utilise et dans quelles conditions il a été évalué.

6. Peut-on prédire une blessure en analysant un mouvement ?

C’est souvent la promesse implicite de l’analyse du mouvement : repérer le « mauvais » geste avant qu’il ne blesse. Les études prospectives, qui mesurent des sportifs puis suivent leurs blessures pendant des mois ou des années, permettent d’en juger.

Le genou qui rentre à la réception d’un saut

Une étude de cohorte publiée en 2005 dans l’American Journal of Sports Medicine a mesuré en 3D la réception d’un saut chez 205 joueuses de football, de basket-ball et de volley-ball. Neuf d’entre elles se sont ensuite rompu le ligament croisé antérieur. Ces neuf joueuses avaient, lors du test, une posture et des charges au genou différentes de celles des 196 autres, en particulier un genou qui part davantage vers l’intérieur et des charges d’abduction plus élevées (Hewett et al., 2005). Cette étude a beaucoup contribué à l’idée qu’un test de saut pourrait repérer les sportives à risque.

Une étude plus large, publiée en 2016 dans la même revue, a voulu le vérifier. Des joueuses norvégiennes de football et de handball de haut niveau ont passé, avant la saison et de 2007 à 2014, une analyse 3D à marqueurs d’un saut en contrebas. Sur 710 joueuses analysées, 42 nouvelles ruptures du ligament croisé sans contact ont été enregistrées. Une blessure antérieure du ligament croisé était associée à un risque nettement accru, de même que le déplacement du genou vers l’intérieur ; mais chez les 643 joueuses sans blessure antérieure, aucune des variables du test n’était associée au risque (Krosshaug et al., 2016).

Surtout, la capacité du test à distinguer les joueuses qui allaient se blesser de celles qui ne se blesseraient pas était médiocre : l’aire sous la courbe, un indicateur qui situe un test entre le simple hasard et la prédiction parfaite, était de 0,6, ce que les auteurs qualifient de médiocre, voire d’échec. Les auteurs concluent que ce test ne permet pas de prédire les ruptures du ligament croisé chez ces joueuses (Krosshaug et al., 2016).

Le Functional Movement Screen

Le Functional Movement Screen est une batterie de mouvements notés par un observateur, avec un score total sur 21, utilisée par des équipes sportives et des armées pour prévenir les blessures. Trois méta-analyses ont évalué sa valeur.

La première, publiée en 2017, trouve une excellente fiabilité entre observateurs et chez un même observateur. Les personnes ayant un score de 14 ou moins avaient davantage de blessures, mais les études de validité présentaient des défauts, et des doutes importants subsistent sur ce que mesure vraiment le test (Bonazza et al., 2017).

La deuxième, publiée la même année dans le British Journal of Sports Medicine, a évalué 24 études de cohorte. Chez les militaires masculins, le lien entre un score de 14 ou moins et une blessure ultérieure était petit ; en football, des preuves modérées conduisaient à déconseiller le score comme test de prédiction ; pour les autres populations, les preuves étaient limitées ou contradictoires. Conclusion des auteurs : la force du lien ne justifie pas d’utiliser ce score pour prédire les blessures (Moran et al., 2017).

La troisième, publiée en 2019 dans Sports Medicine sur 29 études de sportifs, trouve des effets en général petits, plus nets chez les sportifs adultes que chez les jeunes, et plus marqués dans quelques sports de contact comme le rugby (Moore et al., 2019).

Pourquoi les tests de dépistage déçoivent

Une revue critique publiée en 2016 dans le British Journal of Sports Medicine explique pourquoi ces résultats n’ont rien de surprenant. Pour valider un test de dépistage, il faut d’abord montrer, dans des études prospectives, un lien fort entre le résultat du test et le risque de blessure ; puis vérifier que le test classe correctement les personnes dans les populations concernées ; enfin montrer qu’un programme ciblé sur les personnes repérées fait mieux que le même programme proposé à tous. L’auteur constate qu’aucun test de dépistage des blessures sportives ne remplit encore ces conditions (Bahr, 2016).

La raison est statistique : les résultats des sportifs qui se blesseront et de ceux qui ne se blesseront pas se chevauchent largement. Un facteur peut être lié au risque en moyenne, et aider à comprendre comment une blessure survient, sans permettre de dire qui se blessera (Bahr, 2016). Une vidéo de squat ne fait pas exception : elle peut montrer un genou qui rentre, elle ne dit pas si ce genou se blessera.

7. De la mesure à la correction : le retour d’information

Si la mesure ne prédit pas bien les blessures, elle peut en revanche servir à apprendre. En sciences du mouvement, on appelle retour d’information augmenté (en anglais, augmented feedback) toute information sur le mouvement qui s’ajoute à ce que la personne ressent elle-même : une remarque d’un entraîneur, une vidéo, un graphique, un son, une vibration.

Une revue publiée en 2013 dans Psychonomic Bulletin and Review fait le point sur ces retours visuels, auditifs, haptiques (par le toucher) et combinés. Les auteurs rappellent qu’il est généralement admis que le retour d’information augmenté, donné par un expert humain ou par un affichage technique, aide l’apprentissage moteur ; mais la meilleure manière de le donner fait débat. La plupart des études ont porté sur des tâches simples ou artificielles, avec un retour visuel ; les progrès techniques permettent désormais d’étudier des gestes plus complexes et réalistes, et d’autres formes de retour (Sigrist et al., 2013).

Les auteurs examinent pourquoi l’effet diffère selon le type de retour et la façon de le présenter, et décrivent les difficultés à surmonter pour que ce retour soit utile, seul ou combiné (Sigrist et al., 2013). Autrement dit, la forme du retour change son effet, et aucune règle unique ne vaut pour tous les gestes. Une vidéo n’est qu’une forme de retour parmi d’autres, et la revoir ne suffit pas, à elle seule, à apprendre un geste.

Une seule consigne à la fois

Une vidéo montre souvent plusieurs choses à la fois : le dos qui s’arrondit, les talons qui se soulèvent, la barre qui s’éloigne. Chercher à tout corriger en même temps revient à multiplier les consignes. La revue de 2013 souligne que l’effet d’un retour dépend de la façon dont il est donné (Sigrist et al., 2013). Choisir un seul point, le travailler, puis vérifier à nouveau, est une démarche plus simple à suivre.

8. Où porter son attention : sur le corps ou sur l’effet du geste ?

La façon de formuler une consigne compte aussi. Une consigne à focalisation interne dirige l’attention sur une partie du corps : « tends le bras », « pousse avec les genoux ». Une consigne à focalisation externe la dirige vers l’effet du mouvement : « pousse le sol », « envoie la balle vers la cible ».

Une méta-analyse publiée en 2021 dans Psychological Bulletin a rassemblé 73 études et 1 824 participants pour la performance, et 40 études et 1 274 participants pour l’apprentissage. La focalisation externe faisait mieux que la focalisation interne, avec un effet petit pour la performance immédiate (taille d’effet de 0,26) et moyen pour l’apprentissage, mesuré lors des tests de rétention et de transfert (environ 0,58). L’âge, l’état de santé et le niveau de pratique ne modifiaient pas ces différences (Chua et al., 2021).

La même analyse trouve, sur 12 études, un fonctionnement neuromusculaire plus économe avec une focalisation externe, mesuré par l’activité électrique des muscles, et, sur 9 études, un avantage modeste pour une focalisation externe plus lointaine plutôt que plus proche (Chua et al., 2021). Ces résultats viennent d’études souvent menées sur des tâches de laboratoire ; ils donnent néanmoins une piste simple : une analyse vidéo peut repérer un défaut dans le langage du corps, puis la consigne peut être traduite en un effet à produire.

Un exemple

Si la vidéo montre que les genoux se rapprochent à la remontée d’un squat, une consigne interne serait « écarte les genoux » ; une consigne externe serait, par exemple, « écarte le sol avec tes pieds ». Les études ne disent pas laquelle des formulations externes convient à chacun, ni que l’une d’elles réglera le problème. Elles indiquent seulement que, en moyenne, orienter l’attention vers l’effet du geste aide un peu plus que l’orienter vers le corps (Chua et al., 2021).

9. Ce qui réduit les blessures : l’exercice plus que le dépistage

Si l’on cherche à réduire le risque de blessure, les preuves les plus solides ne portent pas sur l’analyse du mouvement mais sur l’entraînement lui-même. Une méta-analyse d’essais randomisés publiée en 2014 dans le British Journal of Sports Medicine a rassemblé 25 essais, 26 610 participants et 3 464 blessures (Lauersen et al., 2014).

Les étirements n’avaient aucun effet protecteur démontré. Les programmes combinant plusieurs types d’exercices, l’entraînement proprioceptif et surtout le renforcement musculaire étaient associés à une baisse du risque, de plus en plus marquée dans cet ordre. Le renforcement musculaire réduisait les blessures sportives à moins d’un tiers, et les blessures de surmenage pouvaient être presque divisées par deux (Lauersen et al., 2014). Les résultats étaient hétérogènes entre les essais, ce qui invite à la prudence sur l’ampleur exacte de l’effet.

Ces deux séries de résultats se complètent. Les tests de dépistage ne savent pas dire qui se blessera (Bahr, 2016 ; Krosshaug et al., 2016) ; des programmes d’exercices proposés à tous réduisent les blessures en moyenne (Lauersen et al., 2014). L’analyse du mouvement trouve sa place ailleurs : comprendre un geste, suivre ses changements, et servir de support à l’apprentissage.

10. Filmer sa propre technique : une démarche prudente

Pour un pratiquant, la vidéo au téléphone reste l’outil le plus simple. Les études citées plus haut permettent d’en tirer quelques règles de bon sens, sans en attendre plus qu’elle ne peut donner.

• Filmer de profil pour juger des flexions et de l’inclinaison du tronc : c’est le plan où la vidéo 2D se rapproche le plus de la capture 3D (Schurr et al., 2017).
• Interpréter avec plus de prudence une vue de face ou tout ce qui touche aux rotations : la vidéo 2D les mesure mal (Schurr et al., 2017).
• Filmer toujours dans les mêmes conditions, à la même place, avec la même charge, pour comparer une vidéo à une autre : c’est l’évolution qui compte, plus que le chiffre absolu.
• Ne pas tirer de conclusion sur un risque de blessure à partir d’une vidéo ou d’un test : aucun test de dépistage n’a montré qu’il pouvait le faire (Bahr, 2016).
• Choisir un seul point à travailler, et le formuler si possible comme un effet à produire plutôt qu’une position du corps (Chua et al., 2021).
• Ne pas multiplier les vidéos et les chiffres : l’effet d’un retour d’information dépend de la façon dont il est donné (Sigrist et al., 2013).

Ces règles ne remplacent pas le regard d’une personne formée. Un professionnel de l’entraînement peut tenir compte de l’histoire de la personne, de ses douleurs, de ses objectifs et de son matériel, ce qu’aucune application ne fait aujourd’hui.

Les outils de mesure en salle

Les capteurs de vitesse de barre, les applications de saut et les systèmes de capture sans marqueurs peuvent compléter la vidéo. Avant de leur faire confiance, trois questions sont utiles : l’outil a-t-il été comparé à une méthode de référence ? Dans quelles conditions et pour quel mouvement ? Sa mesure est-elle reproductible d’un essai à l’autre ? Les revues citées ici montrent que les réponses varient beaucoup selon les appareils et les mouvements (Weakley et al., 2021 ; Gençoğlu et al., 2023 ; Zhang et al., 2026).

11. Comparer ses deux côtés : l’outil

Une forme simple d’analyse consiste à comparer ses deux côtés sur un même mouvement à un bras ou à une jambe. L’outil ci-dessous calcule l’écart entre vos deux côtés sur cinq mouvements, à partir de la même mesure prise des deux côtés.

Comme pour les tests de mouvement, un écart entre les deux côtés est une description, pas un pronostic. Les études sur l’asymétrie au Functional Movement Screen trouvent des liens avec les blessures qui varient selon l’âge des sportifs et restent en général petits (Moore et al., 2019).

12. Les études en un tableau

Le tableau ci-dessous résume les principales études citées : la question posée, la population ou le nombre d’études, le résultat principal et la limite principale.

13. Douleur, blessure : quand l’analyse ne suffit pas

Une analyse de mouvement s’adresse à une personne qui s’entraîne sans douleur. Une douleur qui persiste, qui revient à chaque séance, qui réveille la nuit ou qui s’accompagne d’un gonflement relève d’un avis médical, pas d’une correction de technique trouvée sur une vidéo.

Pour être accompagné dans l’apprentissage d’un geste, les clubs Magicfit offrent un encadrement : coachs diplômés d’État, formation continue de 24 h par an ; coachs APA et ostéopathes dans certains clubs.

14. Ce qui reste incertain

Les outils de mesure ont progressé vite. La vidéo 2D donne une image raisonnable des mouvements vus de profil (Schurr et al., 2017) ; la capture sans marqueurs approche la précision des systèmes de laboratoire dans certaines conditions, surtout pour les membres inférieurs vus de profil (Zhang et al., 2026 ; Gao et al., 2026) ; certaines applications ciblées, comme la mesure du saut, sont bien validées (Gençoğlu et al., 2023). D’autres appareils restent mal évalués (Weakley et al., 2021).

Ce qui reste incertain, c’est surtout l’usage que l’on fait de ces mesures. Aucun test de mouvement ne prédit aujourd’hui de façon fiable qui se blessera (Bahr, 2016 ; Krosshaug et al., 2016 ; Moran et al., 2017). La meilleure façon de transformer une mesure en apprentissage dépend de la tâche, de la personne et de la forme du retour d’information (Sigrist et al., 2013). La focalisation externe aide en moyenne, avec des effets petits à moyens (Chua et al., 2021).

Ce que l’on peut retenir avec confiance tient en quelques lignes. L’analyse du mouvement décrit ; elle ne juge pas et ne prédit pas. Elle peut aider à apprendre un geste et à suivre ses changements, à condition de connaître les limites de l’outil utilisé. Et pour réduire le risque de blessure, les preuves les plus solides portent sur des programmes d’exercices, en particulier de renforcement, proposés à tous (Lauersen et al., 2014).