Villeneuve-d'Ascq, France mai 2016 – mai 2017

Ingenieur R&D Biomecanique

🎯 Contexte et objectifs

  • L'objectif transversal de cette expérience était d'éclairer des décisions produit à partir de mesures biomécaniques, physiologiques, mécaniques et sensorielles. Selon les projets, il s'agissait soit de comparer des conditions d'usage, soit d'identifier un produit ou un profil cible, soit de construire un protocole robuste avant expérimentation, soit de hiérarchiser des solutions techniques à partir d'analyses quantitatives et de synthèses scientifiques exploitables en interne.

🧪 Réalisations

Projets

🧭 Cadrage scientifique et protocole

  • Domyos : étude préliminaire sur un prototype de vélo elliptique comparant trois fonctionnements (Classique, Kangourou, Twist) avec mesures conjointes de dépense énergétique et d'EMG. Le protocole observable combine randomisation des conditions, paliers standardisés et instrumentation physiologique pour objectiver l'effet produit avant industrialisation. Source : RE-16-ACAP-005 — Présentation orale Domyos — 10 novembre 2016
Objectifs de l'étude
Comparer le fonctionnement en « Kangourou » et « Twist »
l'utilisation en VE classique
sur la dépense énergétique (DE) et l'activité musculaire (EMG)
  • Kalenji : le projet documente une revue de littérature approfondie sur les patrons de pose de pied (FSP) adossée à l'analyse d'un jeu de données Footscan issu du contexte retail. La revue mobilise près de 40 articles scientifiques couvrant la biomécanique comparative des trois patrons principaux (RFS, MFS, FFS), les blessures associées, l'économie de course, l'influence du drop et de la raideur de semelle intermédiaire, l'effet de la vitesse et du type de sol, et le lien entre expertise du pratiquant et FSP. L'objectif est double : enrichir la compréhension scientifique des FSP et évaluer la pertinence opérationnelle du Footscan en magasin. Source : Revue de littérature FSP — Decathlon Sports Lab 2016 / RE-16-ACAP-004 — Résultats Footscan — 2016
But Footscan?
Détermination du type de pied de l'utilisateur
Et proposer gamme de chaussures adéquates
Total : 28200
  • NewFeel : ce projet regroupe deux volets complémentaires. Le premier recherche un amorti idéal à la marche rapide chez des testeuses via mesures mécaniques et évaluations sensorielles ; le second construit une description fondamentale du déroulé du pied en synchronisant pressions plantaires, force et cinématique. Le protocole observable montre une logique R&D complète, depuis la sélection d'échantillons jusqu'à la comparaison marche/course et à l'identification d'un individu type. Source : ACAP-16-008 — Étude fondamentale du déroulé du pied — 2016/2017
L'analyse concerne à la fois, la cinématique,
les forces de réactions au sol et les pressions plantaires.
De comparer les différentes variables en condition de marche et de course
  • Oxelo : le dossier correspond à un projet de cadrage et de prototypage méthodologique pour l'évaluation d'une trottinette, sans résultats expérimentaux finaux disponibles dans les fichiers fournis. La valeur démontrée est la construction d'un protocole testable, le choix des variables biomécaniques utiles et l'exploration paramétrique de configurations produit. Source : Présentation cadre étude Oxelo — 2016/2017
Population : 21 sujets H/F
Conditions : 10 configurations trottinettes
Variables observées : Angles articulaires
Temps mis pour effectuer le slalom ; Ressenti
  • Quechua : le projet articule revue de littérature, proposition d'étude, test mécanique et analyses statistiques pour évaluer le maintien de cheville et sélectionner des modèles contrastés avant une étude biomécanique plus lourde. Le protocole mécanique observable est construit pour objectiver la vitesse et l'amplitude d'inversion par rapport à une condition pied nu. Source : RE-ACAP-16-006 — Résultats test mécanique maintien cheville Quechua — 2016
La performance en terme de vitesse et d'amplitude d'inversion
est évaluée sur un bench de 12 chaussures dans le but de sélectionner les 5 paires les plus « différentes »

📊 Analyse des données

  • Domyos : les scripts Matlab montrent une chaîne complète de traitement des données physiologiques et EMG. L'import multi-sujets de fichiers texte Fitmate, l'harmonisation des décimales, la reconstruction temporelle, le repérage des changements de condition, le lissage par moyenne glissante et filtre passe-bas, puis le calcul d'indicateurs interprétables comme %FC réserve, dépense énergétique, coût en oxygène et coût calorique sont tous représentés. La partie EMG suit une logique biomécanique classique et crédible pour de l'analyse comparée produit : filtrage passe-bande, rectification, enveloppe, aire sous la courbe, normalisation par condition de référence et suppression des essais non conformes. Cette approche démontre la capacité à passer de signaux bruts hétérogènes à des variables synthétiques comparables entre essais et sujets. Source : RunningEconomy_TestComparaisonPhysio_Raw.m — 2016
%% Moyenne pondérée des paramètres utilisés dans l'économie de course
for j = 1:size(Vitesse,2)
    TempsEco{1,j} = Temps{1,j}(Index{1,j}(1):Index{2,j}(1)) - Temps{1,j}(Index{1,j}(1));
    for i = 1:(Index{2,j}(1)-Index{1,j}(1))
        Temp_Respi{1,j}(i+1,1) = TempsEco{1,j}(i+1)-TempsEco{1,j}(i);
    end
    VO2Eco_pond(1,j) = sum(VO2{1,j}(Index{1,j}(1):Index{2,j}(1)).*(Temp_Respi{1,j}(1:length(Temp_Respi{1,j}))/sum(Temp_Respi{1,j})));
    EEmEco_pond(1,j) = sum(EEm{1,j}(Index{1,j}(1):Index{2,j}(1)).*(Temp_Respi{1,j}(1:length(Temp_Respi{1,j}))/sum(Temp_Respi{1,j})));
end
VitesseEco_pond = VitesseEco_pond / 60;
Eq_cal = EEmEco_pond ./ (VO2Eco_pond/1000);
O2_cost1(i) = VO2Eco_pond(i) / (VitesseEco_pond(i) * masse);
CAL_cost_Fletcher1(i) = (VO2Eco_pond(i)/1000) .* Eq_cal(i) * K / (VitesseEco_pond(i) * 1000 * masse);

Source : Script_test_EMG2.m — 2016

Data1.(['Velo' num2str(j)]){n,k}.EMG.Filt.(param1{i}) = lpfilter(Data1.(['Velo' num2str(j)]){n,k}.EMG.Raw.(param1{i}),Fc2,fe,'damped');
Data1.(['Velo' num2str(j)]){n,k}.EMG.Filt.(param1{i}) = hpfilter(Data1.(['Velo' num2str(j)]){n,k}.EMG.Raw.(param1{i}),Fc1,fe,'damped');
Data1.(['Velo' num2str(j)]){n,k}.EMG.Rectified2.(param1{i}) = abs(Data1.(['Velo' num2str(j)]){n,k}.EMG.Filt.(param1{i}));

  • Kalenji : la revue de littérature mobilise 5 études de référence sur la répartition des FSP en course (Kerr 1983, Hasegawa 2007, Larson 2011, Kasmer 2013, Bertelsen 2013), portant sur des cohortes de 248 à 1991 coureurs observés par vidéo haute fréquence sur 10 km, semi et marathon. L'analyse couvre les différences biomécaniques entre patrons (forces de réaction au sol, angles articulaires, activité musculaire), les profils de blessures par FSP, les controverses sur l'économie de course (avec les limites des études favorisant les FFS), l'influence du drop et de la raideur de semelle, la relation vitesse-FSP et le lien entre expertise du pratiquant et FSP. Au total, près de 40 articles sont mobilisés. Sur le volet terrain, le jeu de données Footscan représente 28 200 scans ; son analyse met en évidence les biais de protocole propres à un contexte magasin et définit les conditions minimales d'exploitation fiable. Source : Revue de littérature FSP — 2016 / RE-16-ACAP-004 — Résultats Footscan — 2016

  • NewFeel : c'est le volet le plus riche en automatisation de traitement de données. Les scripts Matlab montrent d'abord la lecture pas à pas de fichiers Footscan, la séparation pied droit/pied gauche, puis la synchronisation de signaux acquis à 125 Hz, 250 Hz et 2500 Hz. La chaîne poursuit avec interpolation temporelle, rotation et redimensionnement d'images de pression, calculs de pressions max/moyennes/impulsions, trajectoires du COP, découpe en 6 zones, moyennes intra-pied et inter-essais, puis génération de figures, posters, séquences vidéo et tableaux exportables. Le volet Dynamisme ajoute la production d'un tableau ANOVA exploitable hors Matlab. Cette combinaison témoigne d'une maîtrise de l'ingénierie de données biomécaniques, de l'alignement multi-capteurs et de la restitution analytique orientée produit. Source : RE_17_ACAP_008_Etude_du_deroule_du_pied_Pressions.m — 2017

Vtn  = 0:1/2500:(length(y1)-1)/2500;
Vtn2 = 0:1/125:(length(y2)-1)/125;
Var_Interp.([Name_Cond{k}]).Pressions.(Foot{k}{f}){o,1}(i,j,:) = interp1(Vtn2,squeeze(y2),Vtn);
Var_Interp.([Name_Cond{k}]).ForceZ.(Foot{k}{f}){o,1} = interp1(Vtn_prime,squeeze(y1),Vtn);
Var_Interp.([Name_Cond{k}]).Cinem.(Foot{k}{f}).(CinemVar_Names.([Name_Cond{k}]).(Foot{k}{f}){v}){o,1} = interp1(Vtn3,squeeze(y3),Vtn);
MeanPressure.([Name_Cond{k}]).(Foot{k}{f})(j,i)=nanmean(MeanPressure_Concatenate.([Name_Cond{k}]).Pressions_Bis.(Foot{k}{f})(j,i,:));
StdPressure.([Name_Cond{k}]).(Foot{k}{f})(j,i)=nanstd(MeanPressure_Concatenate.([Name_Cond{k}]).Pressions_Bis.(Foot{k}{f})(j,i,:));

Source : Script_Dynamisme.m — 2017

CellStat=[Cell0,Cell,Cell1];
CellName=[Cell0_Name,Cell_RatioNameSignal,Cell_NameSignal];
save(fullfile(Direct_VarSaved,'Save_Stat_Table.mat'),'CellName','CellStat','-v7.3')
filename=fullfile('<REDACTED>','Dyna_Anova.xls');
xlwrite(filename, CellName(1:20), 'Tableau Anova','A1')
xlwrite(filename, [CellStat{1:20}], 'Tableau Anova','A2')
  • Oxelo : les sorties tabulées montrent une exploration systématique d'angles de chasse, hauteurs de cintre et contraintes articulaires ; le cadrage méthodologique précise les variables à mesurer, les tâches et le matériel. Cette démarche démontre la capacité à transformer un problème produit en paramètres manipulables, critères biomécaniques et protocole d'essai — compétence clé en R&D amont. Source : Angle chasse_Obj90.txt — 2016/2017
Best (deg)   Angle chasse (deg)   Angle Pied3 (deg)   Angle Genou3 (deg)
90.683448343 90.683448343         80                  5
89.932290568 89.932290568         80.042858817        11.578329351
  • Quechua : les scripts R matérialisent une chaîne statistique claire sur le test mécanique. L'import du tableau d'essai, la définition de la chaussure de référence, la modélisation via lm, l'ANOVA globale, les comparaisons par paires, l'export de matrices de p-values, puis une analyse multivariée par PCA suivie de HCPC pour regrouper les chaussures selon leur comportement mécanique sont tous représentés. C'est un bon exemple de passage d'un banc d'essai à une hiérarchisation produit argumentée par statistiques inférentielles et classification non supervisée. Source : Anova_Quechua.R — 2016/2017
Ext_ANOVA <- read.delim2("<REDACTED>/Table_Anova2.txt", dec=".")
Ext_ANOVA$Echantillons <- relevel(Ext_ANOVA$Echantillons, NaneEchantillon[i])
mod=lm(Vitesse~ Echantillons , data=Ext_ANOVA)
Anova(mod, type="II")
summary(mod)
p=pairwise.t.test(Ext_ANOVA$Amplitude, Ext_ANOVA$Echantillons, p.adj="none")
write.table(p$p.value, "Pairwise_Comparison_Amplitude2_final.Xls" , sep="\t", dec=".")

Source : Classification_TestMeca.R — 2016/2017

Test.Meca <- read.delim2("<REDACTED>/Test Meca.txt",row.names = 1)
res.pca=PCA(Test.Meca)
res.hcpc=HCPC(res.pca,nb.clust=5)
Test.Meca2=Test.Meca2[,c(1,2)]
res.pca2=PCA(Test.Meca2)
res.hcpc2=HCPC(res.pca2,nb.clust=5,consol=TRUE,graph=TRUE)
plot(res.hcpc2, choice="tree", angle=60)

🧠 Interprétation et vulgarisation

  • Domyos : les scripts et la présentation traduisent les signaux directement en messages produit, par exemple la comparaison de l'effet des modes Kangourou et Twist sur la dépense énergétique et sur des groupes musculaires précis. Cette approche illustre la capacité à passer du traitement EMG/physio à un discours utile pour arbitrer un concept.
  • Kalenji : le travail visible consiste à transformer une revue de littérature et un audit de fiabilité Footscan en recommandations d'usage terrain. C'est une forme de vulgarisation scientifique précieuse, car elle relie des pourcentages, des comparaisons inter-études et des biais de mesure à des consignes concrètes pour le magasin.
  • NewFeel : les posters, vidéos compilées et cartes de pressions montrent une volonté de rendre des phénomènes complexes lisibles par des interlocuteurs non développeurs. La démarche met en valeur la capacité à faire parler des signaux continus et des matrices de pression en termes de confort, répartition de charge, seuils idéaux et usages futurs.
  • Oxelo : le cadrage observable reformule le sujet en tâches, variables observées, temps de manipulation, instrumentation et budget. Cela montre la capacité à vulgariser l'intention scientifique pour rendre un protocole actionnable par des équipes projet.
  • Quechua : la combinaison test mécanique + hiérarchisation + shortlist de chaussures transforme des sorties statistiques et des clusters en une décision claire sur les modèles à retenir pour l'étape suivante. C'est précisément le type de restitution attendu par une équipe produit qui ne veut pas relire les scripts R.

🧾 Livrables

  • Domyos : scripts Matlab d'import et de traitement Fitmate/EMG, figures de comparaison, exports Excel, support de présentation interne sur les effets énergétiques et musculaires du prototype.
  • Kalenji : revue de littérature structurée (~40 articles) sur les patrons de pose de pied, couvrant la biomécanique comparative RFS/MFS/FFS, les blessures, l'économie de course et l'influence des propriétés chaussure ; audit du jeu de données Footscan magasin (28 200 scans) et recommandations méthodologiques d'utilisation.
  • NewFeel : scripts Matlab de synchronisation et d'analyse, dossiers VarSaved, exports ANOVA, cartes de pressions, posters, séquences vidéo et présentations de synthèse sur amorti idéal et déroulé du pied.
  • Oxelo : protocoles V1/V2, estimation budgétaire, liste de variables biomécaniques, traces d'optimisation paramétrique et support de cadrage d'étude.
  • Quechua : scripts R d'ANOVA et de classification, tableaux de comparaisons pairwise, hiérarchisation des chaussures, présentation de résultats mécaniques et proposition d'étude biomécanique.

📈 Résultats

  • Sur la base des documents datés fournis, ce travail a structuré cinq projets distincts allant de l'analyse physiologique et du traitement de signal à la classification statistique et au cadrage expérimental. Il a abouti à des scripts réutilisables, des tableaux d'analyse, des visualisations, des présentations de résultats et des protocoles directement exploitables par les marques. L'ensemble met en place une chaîne R&D cohérente : acquisition, nettoyage, comparaison, hiérarchisation, puis restitution métier. Bénéfice : réduire le temps entre mesure brute et décision produit tout en fiabilisant l'interprétation scientifique.

Projet Domyos

  • Période : juillet 2016 à novembre 2016, sur la base de la date d'auto-génération d'un script Matlab et de la présentation du 10 novembre 2016.
  • Livrables / sorties : scripts Matlab pour le traitement Fitmate et EMG, comparaisons entre modes Classique, Kangourou et Twist, exports Excel et présentation orale interne. Bénéfice : objectiver rapidement les compromis énergétiques et musculaires d'un prototype sans dépendre d'un retraitement manuel.

Projet Kalenji

  • Période : 2016.
  • Livrables / sorties : revue de littérature (~40 articles) sur les FSP, synthèse des 5 principales études de répartition (cohortes de 248 à 1991 coureurs), analyse du jeu Footscan magasin (28 200 scans) et recommandations de fiabilité/protocole. Bénéfice : sécuriser l'usage d'un outil de magasin en explicitant ses limites et ses conditions minimales d'exploitation.

Projet NewFeel

  • Période : avril 2017, avec des documents de 2017 couvrant l'étude d'amorti idéal et l'étude fondamentale du déroulé du pied.
  • Livrables / sorties : scripts Matlab d'analyse multimodale, tableaux ANOVA, cartes de pressions, posters, compilations vidéo et présentations de synthèse sur l'idéal sensoriel et la mécanique du pied. Bénéfice : relier mesures labo, ressenti utilisateur et interprétation biomécanique dans un format directement utile à l'innovation chaussure.

Projet Oxelo

  • Période : décembre 2016 à février 2017, sur la base des supports de cadrage et comptes rendus présents dans le dossier.
  • Livrables / sorties : protocoles d'étude, variables observées, budget, critères de tâche et sorties d'optimisation paramétrique autour de la géométrie produit. Bénéfice : dé-risquer une expérimentation future en posant un cadre méthodologique et des paramètres mesurables avant construction d'un protocole final.

Projet Quechua

  • Période : septembre 2016 à mai 2017, sur la base du cadrage initial et des scripts et fichiers Visual3D datés de 2017.
  • Livrables / sorties : test mécanique d'inversion, scripts R de statistiques et de classification, shortlist de chaussures à retenir pour la suite biomécanique et supports de restitution. Bénéfice : transformer un bench mécanique en hiérarchisation produit argumentée et en choix rationnel des modèles à étudier plus finement.

🔧 Environnement technique

  • Matlab dominant sur Domyos et NewFeel pour l'import multi-fichiers, le filtrage, l'interpolation, la synchronisation multi-capteurs, la génération de figures, de vidéos et d'exports Excel ; R sur Quechua pour l'ANOVA, les comparaisons post-hoc, la PCA et le clustering HCPC. Instrumentation et écosystème observables dans les productions : EMG Delsys, Fitmate Pro/Cosmed, Footscan/RSscan, Qualisys, Kistler, Visual3D/V3D, tableurs Excel et supports PDF/PPT de diffusion interne.

Technologies utilisées

Sciences & R&D
Delsys EMG
Footscan / RSscan
Kistler
Qualisys
Data Science
MATLAB
Matplotlib
Pandas
R
SciPy
Backend
Python