Academic literature on the topic 'Cheval – Locomotion'

La pratique de l’équitation à haut niveau requière des charges et volumes d’entrainement importants pour le cheval. Le phénomène de fatigue chez le cheval peut avoir des conséquences lésionnelles, il apparait lorsque celui-ci est soumis à des entrainements trop intenses et/ou trop fréquemment répétés. Les premiers signes de l’apparition d’une lésion se traduisent par des anomalies locomotrices souvent discrètes, caractérisées, par exemple, par la modification de la durée d’appuis et/ou de la durée de foulée ou une diminution des amplitudes de mouvement du dos. Ces anomalies peuvent être difficiles à diagnostiquer de façon précoce par les vétérinaires. Si ces signes ne sont pas détectés, l’intensité des entrainements n’est pas adaptée en conséquence, laissant les lésions s’aggraver et s’installer plus durablement. Ainsi, être capable de détecter précocement l’apparition des anomalies locomotrices et de contrôler la charge de travail est essentiel, pour éviter des conséquences irréversibles d’un surentrainement. Le projet ANR CAPT-ESE, dans lequel s’inclut ce travail de thèse, s’intéresse à la prévention et à la gestion des affections locomotrices du cheval par le suivi et l’optimisation des entraînements. Dans ce contexte, le protocole du projet prévoit l’inclusion de vingt chevaux, atteints de lésions dorsales. Ils suivront un protocole d’entrainements et d’examens vétérinaires strict et seront équipés de capteurs embarqués directement intégrés dans le harnachement du cheval, pour chacun d’eux. Ce travail de thèse comprend deux volets. Le premier volet consiste à développer et valider des méthodes de quantification des paramètres locomoteurs du cheval, basées sur des données issues de ces capteurs, permettant la détection d’anomalies locomotrices. Le second volet consiste à quantifier la charge d’entrainement, en combinant des paramètres locomoteurs et physiologiques du cheval. Ces deux volets seront mis en relation dans le cadre d’analyses longitudinales sur la base des données collectées tout au long du protocole. Premièrement, des méthodes de détection des débuts et fins d’appuis ont été développées. Ces méthodes sont applicables en milieu terrestre, avec différents types de sol (asphalte, caoutchouc, sable, …), ainsi qu’en milieu aquatique, lors de la marche sur tapis roulant immergé, facilitant le suivi des paramètres locomoteurs de foulée dans différentes conditions. Une méthode de quantification des mouvements du dos a également été développée. Les résultats ont montré une cohérence entre les amplitudes de mouvement du dos du cheval mesurées avec cette méthode et celles mesurées avec un système de mesures cinématiques de référence. La comparaison des données mesurées avec l’évaluation visuelle et subjective de la mobilité dorsale par des vétérinaires montre par ailleurs la difficulté à estimer correctement ce paramètre. Deuxièmement, une méthode basée sur l’apprentissage machine, mettant en relation l’évolution de la lactatémie sanguine (rendant compte de la fatigue musculaire du cheval) et l’évolution des paramètres locomoteurs et physiologiques, a permis de prédire les états aérobie et anaérobie lors de tests d’effort. Cette méthode a mis en évidence les paramètres locomoteurs et physiologiques les plus pertinents pour estimer la charge de travail, conduisant à la création d’un indicateur d’intensité de l’entrainement. Les travaux postérieurs à cette thèse (projet ANR en cours) consisteront à réaliser des analyses longitudinales de ces deux volets d’études. A terme, les outils mis en place pourraient être intégrés dans des dispositifs pour les cavaliers afin d’optimiser la prévention des troubles locomoteurs<br>High-level horse riding requires significant training loads and volumes for the horse. Fatigue, which can lead to injuries, occurs when horses are subjected to overly intense or excessively frequent training sessions. The first signs of injury often manifest as subtle locomotor anomalies, such as changes in the stance phase and/or stride duration, or a reduced range of motion of the back. These anomalies can be challenging for veterinarians to diagnose early. If these signs go unnoticed, the training intensity is not adjusted accordingly, leading to the worsening and chronicity of injuries. Therefore, early detection of locomotor anomalies and proper management of training loads are crucial to prevent irreversible consequences from overtraining. The ANR CAPT-ESE project, which includes this thesis work, focuses on the prevention and management of locomotor disorders in horses through the monitoring and optimization of training. In this context, the project protocol includes the participation of twenty horses with back injuries. These horses will follow a strict training and veterinary examination protocol, and will be equipped with sensors directly integrated into their harness, for all of training and exams. This thesis work is divided into two main components. The first component involves developing and validating methods for quantifying the horse’s locomotor parameters using these sensor data, enabling the detection of locomotor anomalies. The second component focuses on quantifying the training load by integrating the horse's locomotor and physiological parameters. These two components will be linked through longitudinal analyses based on the data collected throughout the protocol. First, methods for detecting the foot-on and foot-off events were developed. These methods are applicable in terrestrial environments, with various types of surfaces (asphalt, rubber, sand, etc.), as well as in aquatic environments during underwater treadmill walking, facilitating the monitoring of stride locomotor parameters in different conditions. A method for quantifying back movements was also developed. The results showed consistency between the ranges of motion of the horse's back measured with this method and those measured with a reference kinematic system. However, comparing the measured data with the veterinarians’ visual and subjective assessment of back mobility highlights the challenge of accurately estimating this parameter. Second, a machine learning-based method, linking the evolution of blood lactate levels (indicating the horse's muscle fatigue) with changes in locomotor and physiological parameters, allowed for the prediction of aerobic and anaerobic states during exercise tests. This method identified the most relevant locomotor and physiological parameters for estimating the workload, leading to the creation of a training intensity indicator. Further work beyond this thesis (ongoing ANR project) will involve conducting longitudinal analyses of these two study components. In the long term, the tools developed could be integrated into devices for riders to optimize the prevention of locomotor disorders