Note ABES AI based fatigue assessment system for athletes using smart textile wearables Système d'évaluation de la fatigue basé sur l'IA pour les athlètes utilisant des vêtements intelligents Vêtements de compression pour cycliste E-Textile Vêtements intelligents Intelligence aritificielle Surveillance de fatigue Système d’habillement intelligent Compression clothing E-Textile Intelligent clothing Articficial intelligence Fatigue monitoring Textiles intelligents Muscles -- Fatigue Évaluation Intelligence artificielle Vêtements de sport Innovation Électrocardiographie Électromyographie Ce rapport de thèse de doctorat présente un système innovant d'évaluation de la fatigue pour les athlètes, en s'appuyant sur les avancées en matière de textiles intelligents pour développer un système intelligent de surveillance des vêtements (IGS). L'accent a été mis sur la conception, la fabrication et l'évaluation d'électrodes biopotentielles textiles 3D, intégrées de manière transparente dans des vêtements de compression, permettant une surveillance en temps réel des signaux d'électrocardiographie (ECG) et d'électromyographie (EMG) pendant les activités physiques.Un processus de conception paramétrique méticuleux a été utilisé pour optimiser la conception et la configuration des électrodes, en tenant compte de facteurs critiques tels que le diamètre, la hauteur et la pression appliquée, afin de garantir une acquisition de signaux de haute qualité tout en privilégiant le confort de l'utilisateur. Le système de vêtement intelligent intègre des électrodes stratégiquement positionnées, des canaux conducteurs de conception novatrice et des mécanismes de fixation réglables afin de maintenir une position et une pression stables de l'interface électrode-peau tout au long des mouvements dynamiques.Le rapport est structuré en cinq chapitres détaillés. Le chapitre d'introduction présente le contexte, la motivation, les objectifs et la portée de l'étude, en soulignant l'importance de la technologie portable dans les sciences du sport et l'ingénierie biomédicale. Le chapitre 2 présente un examen approfondi de l'état actuel des connaissances, couvrant les signaux bioélectriques, les méthodes d'évaluation de la fatigue, les textiles intelligents et les techniques d'intelligence artificielle dans les applications sportives.Le chapitre 3 est consacré aux processus de conception, de fabrication et d'évaluation du système de vêtement intelligent, y compris les tests d'impédance utilisant la peau artificielle PVA et les évaluations en situation réelle dans les sports cyclistes. Le chapitre 4 se concentre sur les tests rigoureux et l'analyse du système, décrivant la configuration expérimentale, les processus de préparation des données et l'application d'algorithmes d'IA avancés. Des modèles d'apprentissage profond de pointe, notamment des réseaux convolutifs temporels (TCN), des unités récurrentes gérées (GRU), des mémoires longues à court terme (LSTM) et des architectures Transformer, ont été méticuleusement appliqués aux données traitées afin de prédire avec précision les niveaux de fatigue.Le chapitre 5 résume les principales conclusions, contributions et implications de la recherche, discute des limites et propose des orientations pour la recherche future. L'étude souligne l'importance d'une amélioration et d'une adaptation continues pour améliorer les systèmes de vêtements intelligents destinés à la surveillance du sport.Les résultats démontrent l'efficacité du système d'évaluation de la fatigue proposé, qui fournit des informations fiables et en temps réel sur l'état de fatigue d'un athlète, informations précieuses pour optimiser les programmes d'entraînement, prévenir les blessures et améliorer les performances athlétiques globales. Cette recherche marque une avancée significative en intégrant l'ingénierie textile avancée, la technologie des capteurs et les techniques d'apprentissage automatique dans un vêtement cycliste de compression intelligent unifié. Pour la première fois, ce vêtement permet une surveillance synchronisée des signaux ECG et EMG pendant le cyclisme. Cette avancée est censée aider les entraîneurs et les athlètes à ajuster les plans d'entraînement en temps réel, réduisant ainsi le risque de blessures liées à la fatigue. This doctoral dissertation report presents an innovative fatigue assessment system for athletes, leveraging advancements in smart textile wearables to develop an intelligent garment monitoring system (IGS). The primary focus was on the design, fabrication, and evaluation of 3D textile biopotential electrodes, seamlessly integrated into compression garments, enabling real-time in monitoring of electrocardiography (ECG) and electromyography (EMG) signals during physical activities.A meticulous parametric design process was employed to optimize electrode design and configuration, considering critical factors such as diameter, height, and applied pressure, to ensure high-quality signal acquisition while prioritizing user comfort. The intelligent garment system incorporates strategically positioned electrodes, pioneering conductive channel designs, and adjustable fastening mechanisms to maintain a stable electrode-skin interface position and pressure throughout dynamic movements.The report is structured into five comprehensive chapters. The introductory chapter outlines the background, motivation, objectives, and scope of the study, emphasizing the significance of wearable technology in sports science and biomedical engineering. Chapter 2 provides a thorough review of the current state-of-the-art, covering bioelectric signals, fatigue assessment methods, smart textiles, and AI techniques in sports applications.Chapter 3 is dedicated to the design, fabrication, and evaluation processes of the intelligent garment system, including impedance tests using PVA artificial skin and real-world evaluations in cycling sports. Chapter 4 focuses on the rigorous testing and analysis of the system, describing the experimental setup, data preparation processes, and the application of advanced AI algorithms. State-of-the-art deep learning models, including Temporal Convolutional Networks (TCN), Gated Recurrent Units (GRU), Long Short-Term Memory (LSTM), and Transformer architectures, were meticulously applied to the processed data to accurately predict fatigue levels.Chapter 5 summarizes the key findings, contributions, and implications of the research, discusses limitations, and proposes directions for future research. The study underscores the importance of continuous improvement and adaptation in enhancing intelligent garment systems for sports monitoring.The findings demonstrate the efficiency of the proposed fatigue assessment system in providing reliable, real-time insights into an athlete's fatigue state, offering invaluable information for optimizing training regimens, preventing injuries, and enhancing overall athletic performance. This research marks a significant breakthrough by integrating advanced textile engineering, sensor technology, and machine learning techniques into a unified smart compression cycling garment. For the first time, it enables synchronized monitoring of ECG and EMG signals during cycling. This advancement is supposed to help coaches and athletes adjust training plans in real-time, reducing the risk of fatigue-related injuries. Electronic Thesis or Dissertation Text en PDF 6938758 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2024/2024ULILB038.pdf https://theses.hal.science/tel-04985192 https://theses.fr/2024ULILB038/abes https://theses.hal.science/tel-04985192 https://theses.hal.science/tel-04985192 https://theses.hal.science/tel-04985192 Shen Deyao Shen 1994-09-13 CN 283617608 https://theses.fr/2024ULILB038 2024ULILB038 https://doi.org/10.70675/e7faeb7cz94a9z48adzbf0fz56fe3448b863 2024-09-23 Informatique, Automatique Université de Lille (2022-....) 259265152 Donghua University (Shanghai, Chine) MADS_ETABLISSEMENT_DE_COTUTELLE_1 200740199 Doctorat Docteur es non oui Tao Xuyuan MADS_DIRECTEUR_DE_THESE_1 150986505 Wang Jianping MADS_DIRECTEUR_DE_THESE_2 201797240 Bueno Marie-Ange MADS_PRESIDENT_DU_JURY 07714287X Gidik Hayriye MADS_MEMBRE_DU_JURY_1 191778834 Razan Florence MADS_RAPPORTEUR_1 104417684 Kacem Imed MADS_RAPPORTEUR_2 070471096 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 GEMTEX (Roubaix) MADS_PARTENAIRE_DE_RECHERCHE_1 1144862 161605346 China Scholarship Council (Chine) MADS_PARTENAIRE_DE_RECHERCHE_2 202909514 ddc:004 Donghua University (Shanghai, Chine) Tao Xuyuan Wang Jianping Bueno Marie-Ange Gidik Hayriye Razan Florence Kacem Imed École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) GEMTEX (Roubaix) China Scholarship Council (Chine) PDF 6938758