Apports de La Variabilité de La Fréquence Cardiaque Dans L'évaluation de La Charge D'entraînement Et Le Suivi D'athlètes - Aspects Méthodologiques Et Applications Pratiques
Apports de La Variabilité de La Fréquence Cardiaque Dans L'évaluation de La Charge D'entraînement Et Le Suivi D'athlètes - Aspects Méthodologiques Et Applications Pratiques
Apports de La Variabilité de La Fréquence Cardiaque Dans L'évaluation de La Charge D'entraînement Et Le Suivi D'athlètes - Aspects Méthodologiques Et Applications Pratiques
Membres du jury
Oscar Wilde
Avant propos
L’autre partie du travail de thèse, plus technique, consistait à décliner les résultats de
ces recherches pour les retranscrire, sous forme d’algorithmes, au sein de logiciels
commercialisables et commercialisés par l’entreprise ALMERYS. Ce développement
technologique a pour but de proposer une solution concrète de suivi de l’état de forme d’un
individu en temps réel à l’aide de mesures de la variabilité de la fréquence cardiaque que ce
soit dans le domaine sportif ou médical.
1|Page
Remerciements
Au cours des ces trois dernières années, j’ai eu la chance de faire de nombreuses
rencontres et d’avoir de multiples discussions qui ont forcément, de près ou de loin, contribué
à l’avancement de mes recherches. Aussi, je tiens à remercier et à témoigner ma
reconnaissance envers toutes les personnes qui ont rendu possible l’aboutissement de ce
travail.
En particulier, à mon directeur de thèse, Christophe Hautier, pour avoir accepté
d’encadrer ce travail de recherche. J’ai beaucoup apprécié la confiance et la liberté que tu as
su m’accorder tout au long de cette thèse et, plus largement, les nombreux échanges
constructifs qui ont inéluctablement participé à mon développement personnel.
A mon co-directeur de thèse, Vincent Pialoux, qui m’a particulièrement aidé lors des
phases de rédaction de mes articles scientifiques et qui a su m’insuffler de toujours aller de
l’avant pour faire évoluer mes travaux afin d’être publié.
A mes deux rapporteurs, le Pr. Laurent Bosquet et le Dr. Jean-Claude Barthélémy,
pour avoir accepté de lire et d’évaluer ce manuscrit de thèse ainsi qu’au Pr. Grégoire Millet et
au Pr. Christian Collet qui ont bien voulu venir discuter de ce travail en faisant partie de mon
jury de thèse.
A la société ALMERYS qui a financé la totalité de mes travaux et en particulier à
Robert Boualit qui a toujours fait son maximum pour intégrer les résultats de mes recherches
dans des applications logiciels concrètes. Sa confiance et son dynamisme légendaire m’ont
également beaucoup apporté sur le plan humain !
A tous les membres du CRIS que j’ai côtoyés quotidiennement et avec qui j’ai pu
échanger tout au long de mes trois années passées au sein de ce laboratoire. Une spéciale
dédicace à la « dream team Hautier ». Bapt, Sam si vous me lisez : c’est pour vous !
A Pascal Balducci pour son aide lors des protocoles d’études et pour m’avoir offert la
possibilité de tester mes hypothèses auprès d’athlètes très prestigieux.
A Marie Claude pour la relecture de ce manuscrit.
A ma famille pour m’avoir toujours soutenu dans mes choix et encouragé à poursuivre
mes rêves.
A Elodie. A quoi bon faire fleurir et jongler les mots puisqu’aucune expression ne
suffira à t’exprimer toute ma gratitude.
2|Page
Liste des publications et communications
1. Publications
4 - Saboul D., Balducci P., Millet G., Pialoux V., Hautier CA. Quantification of training load:
the use of heart rate variability in training practice. Soumis dans Scandinavian journal of
medicine and science in sports.
3 - Saboul D., Pialoux V., Hautier CA. The impact of breathing on HRV measurements:
implications for the longitudinal follow-up of athletes. (2013) accepté dans Eur J Sport Sci.
DOI: 10.1080/17461391.2013.767947.
2 - Saboul D., Pialoux V., Hautier CA. The binary effect of "LF/HF ratio" in athletes HRV
measures. (2012) accepté dans Eur J Sport Sci. DOI: 10.1080/17461391.2012.691116.
1 - Saboul D., Pialoux V., Hautier CA. The impact of using windows for harmonic analysis
with discrete Fourier transform: Application to heart rate variability. Soumis dans J Sports
Med Phys Fitness.
2 - Saboul D., Balducci P. A cœur variant rien d’impossible. Savoir utilisez la VFC. Sport et
Vie, 2012 (Novembre/Décembre); n° 135: pp 12-19.
1 - Saboul D. Suis-je en forme ? Apprenez à utiliser la VFC. Dans Endurance Trail - Le guide
de l’entraînement 2012; HS n° 19: pp 68-72.
3|Page
2. Communications orales
1 - Saboul D., Balducci P., Pialoux V., Hautier C. Evaluation of training load with heart rate
variability: a novel index for field use. XVIIth European Congress of Sport Science, Bruges
Belgique, Juillet 2012.
1 - Saboul D., Pialoux V., Hautier C. Impact de la fenêtre dans une analyse fréquentielle avec
la transformée de Fourier discrète : application à la variabilité de la fréquence cardiaque.
Congrès de l’Association des Chercheurs en Activités Physiques et Sportives, Rennes, France,
Novembre 2011.
2 - Saboul D., Balducci P. Millet GP., Pialoux V., Hautier C. Evaluation de la charge
d’entraînement à l’aide de la variabilité de la fréquence cardiaque ; un nouvel outil pour une
utilisation pratique. 17ième Congrès de l’EDISS, Lyon, France, Octobre 2012. (Lauréat du prix
Jeune chercheur)
1 - Saboul D., Pialoux V., Hautier C. Impact de la fenêtre dans une analyse fréquentielle avec
la transformée de Fourier discrète : application à la variabilité de la fréquence cardiaque.
16ième Congrès de l’EDISS, Lyon, France, Mai 2011. (Lauréat du prix Jeune chercheur)
Conférences Diverses
4|Page
Table des matières
Avant propos 1
Remerciements 2
Liste des publications et communications 3
1. Publications 3
2. Communications orales 4
Table des matières 5
Table des illustrations 7
1. Liste des figures. 7
2. Liste des tableaux. 9
A. INTRODUCTION GENERALE 10
B. REVUE DE LA LITTERATURE 13
Partie 3 : Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque 39
3.1. Moment de la mesure. 40
3.2. Position de l’individu durant la mesure. 41
3.3 Fréquence et méthode de respiration. 44
3.4. Autres facteurs 49
3.4.a. Sommeil 49
3.4.b. Alimentation 50
3.4.c. Déshydratation 51
3.4.d. Ambiance locale durant la mesure 52
3.4.e. Activité cognitive et émotions 53
3.4.f. Age/sexe 55
3.4.g. Pathologies 56
3.5. Conclusion 58
5|Page
Partie 4 : Effets immédiats, moyen terme et long terme d’une activité physique 59
4.1. Effets d’un exercice aigu. 60
4.2. Effets immédiats après l’exercice. 61
4.3. Effets quelques heures après l’exercice. 63
4.4. Effets les jours suivants un exercice. 65
4.5. Effets d’un entraînement régulier. 66
4.6. Effets du surentraînement. 69
4.7. Vers un suivi long terme. 73
4.8. Conclusion 77
C. CONTRIBUTIONS PERSONNELLES 78
Hypothèses et problématiques 79
Etude 1: The breathing effect of the LF/HF ratio in the heart rate variability measurements of athletes 82
Etude 2: The impact of breathing on HRV measurements: Implications for the longitudinal follow-up of
athletes 91
Etude 3: Quantification of training load: the use of heart rate variability in training practice 102
F. ANNEXES 141
6|Page
Table des illustrations
Figure 1: Représentation des 5 ondes composant un battement cardiaque d’un sujet sain. Illustration
personnelle adaptée de Marieb et al. [146].......................................................................................... 17
Figure 2: Principaux rôles des branches sympathiques et parasympathiques du système nerveux
autonome. Illustration de Amine et al. [6]. ........................................................................................... 18
Figure 3: Représentation des liaisons des deux branches du système nerveux autonome avec le cœur.
Illustration de Marieb et al. [146]. ........................................................................................................ 19
Figure 4: Représentation d’un enregistrement d’électrocardiogramme ou figure le temps qui s’est
écoulé entre chaque intervalle RR. Illustration personnelle. ................................................................ 23
Figure 5: Représentation d’une courbe temporelle d’un enregistrement de variabilité de la fréquence
cardiaque (la partie zoomée illustre comment est construite cette courbe temporelle à l’aide de tous
les intervalles RR). Illustration personnelle. .......................................................................................... 24
Figure 6: Représentation du diagramme de Poincaré d’un enregistrement de variabilité de la
fréquence cardiaque ou chaque point (x,y) est placé à l’aide de deux intervalles RR adjacents
(RRi,RRi+1). Les indices non-linéaires SD1 et SD2 sont basés sur le calcul des écarts types selon l’axe
x=y et l’axe perpendiculaire. Illustration de Guzik et al. [87]. ............................................................... 27
Figure 7: Représentation de Poincaré d’un enregistrement de variabilité de la fréquence cardiaque
réalisé sur un sujet entraîné (figure de gauche) et sur un sujet médicalement diagnostiqué comme
étant surentraîné (figure de droite). Illustration de Mourot et al. [163]. ............................................. 28
Figure 8: Représentation temporelle d’une sinusoïde de fréquence 0,10Hz, d’amplitude 100ms et de
valeur moyenne 1000ms. Illustration personnelle ............................................................................... 30
Figure 9: Représentation fréquentielle de la sinusoïde de fréquence 0,10 Hz précédemment décrite.
Illustration personnelle. ........................................................................................................................ 30
Figure 10: Représentation temporelle de trois sinusoïdes d’amplitude et de fréquence différentes.
Illustration personnelle ......................................................................................................................... 31
Figure 11: Représentation temporelle d’une sinusoïde composée des trois sinusoïdes de l’illustration
précédente. Illustration personnelle ..................................................................................................... 32
Figure 12: Représentation fréquentielle de la précédente sinusoïde (composée de trois sinusoïdes de
fréquence et d’amplitude différentes). Illustration personnelle .......................................................... 32
Figure 13: Exemple de représentation fréquentielle d’un signal de variabilité cardiaque avec les trois
bandes de fréquences VLF, LF et HF. Illustration personnelle. ............................................................. 34
Figure 14: Illustration du rythme circadien du marqueur temporel SDNN (ms). Exemple repris dans
Massin et al. [150]. ................................................................................................................................ 41
Figure 15: Relation entre la part d’énergie fréquentielle dans les LF et les HF lors d’un tilt test
(Montano et al. [159]). .......................................................................................................................... 43
Figure 16: Représentation temporelle et fréquentielle d’un enregistrement de variabilité cardiaque
réalisé sur deux individus. Le Sujet A présente une fréquence de respiration libre de 0,12 Hz et une
arythmie sinusale respiratoire très prononcée alors que le Sujet B présente une fréquence de
respiration libre de 0,30 Hz et une faible arythmie sinusale respiratoire. Données personnelles. ...... 46
Figure 17: Représentation des spectres de puissance de 3 signaux de variabilité cardiaque réalisés à
différentes fréquences de respirations imposées (6, 15 et 24 cycles par minute). Nous remarquons
7|Page
l’apparition d’un pic d’énergie centré autour de chacune des fréquences de respirations imposées
[179]. ..................................................................................................................................................... 47
Figure 18: Pourcentage d’énergie présente autour de la fréquence de respiration (par rapport à
l’énergie totale contenue dans les bandes LF et HF) en fonction de la fréquence de respiration
imposée. Sont regroupées ici les mesures de 12 sujets qui ont réalisé 5 enregistrements chacun à des
fréquences imposées de -6, -3, 0, + 3 et + 6 cycles par minute de leur fréquence de respiration libre
[15]. ....................................................................................................................................................... 48
Figure 19: Evolution de la distribution de l’énergie fréquentielle entre les bandes LF et HF au fur et à
mesure d’un cycle de sommeil. W pour réveil. S1, S2 et SWS (S3 et S4) pour les 4 premières phases
du cycle. REM pour la dernière phase (sommeil paradoxal) [72]. ........................................................ 50
Figure 20: Le marqueur SDNN décroit significativement au fil des années. Illustration reprise chez
Zhang et al. [240]................................................................................................................................... 56
Figure 21: Evolution du marqueur pNN50 pendant les 4 heures suivant des entraînements réalisés à
différentes intensités (exprimé en % par rapport à la mesure avant l’exercice). Illustration de Seiler et
al. [208].................................................................................................................................................. 64
Figure 22: Evolution de l’activité des hautes fréquences (exprimée en unité normalisée), 24 heures
avant puis 48 heures après une course de ski de fond de 76 kms. Illustration de Hautala et al. [91]. 66
Figure 23: Evolution du marqueur RMSSD chez des sédentaires qui suivent un programme
d’entraînement de seize semaines. L’augmentation de l’activité du système nerveux autonome
reflète l’adaptation positive à l’entraînement des sédentaires (courbe noire) comparativement au
groupe contrôle (courbe grise). Illustration de Melanson et al. [154]. ................................................. 68
Figure 24: Evolution du marqueur RMSSD durant une période de 11 semaines à raison
d’enregistrements quotidiens réalisés chez deux triathlètes. Nous pouvons observer une forte baisse
de l’activité du système nerveux autonome lorsqu’un athlète tombe en état de surentraînement
(graphique de droite). Illustration de Plews et al. [191]. ...................................................................... 73
Figure 25: Algorithme décrivant un modèle de programmation de l’entraînement à l’aide de mesures
quotidiennes de variabilité de fréquence cardiaque. HRV- et HRV+ représentent respectivement une
diminution ou une augmentation de l’activité du système nerveux autonome du jour
comparativement à la mesure de la veille. Low et High représentent l’intensité de l’exercice du jour
et Rest correspond à un jour de repos. Tous les athlètes commencent par un entraînement de basse
intensité (Low) suivi d’un entraînement de haute intensité (High). Tous les entraînements suivants
sont programmés en fonction des valeurs des enregistrements de variabilité cardiaque. Illustration
de Kiviniemi et al. [122]. ........................................................................................................................ 76
Figure 26: L’explosion des thématiques de recherche entourant l’étude de la variabilité de la
fréquence cardiaque a engendré une multiplication des méthodes d’analyse qui rendent difficiles
l’interprétation des résultats. Illustration personnelle. ........................................................................ 79
Figure 27: L’absence d’une méthodologie commune et unifiée amène l’auteur à construire son
protocole d’analyse en fonction d’une multitude de choix présents au sein de la littérature
scientifique ............................................................................................................................................ 80
8|Page
2. Liste des tableaux.
9|Page
A. Introduction
générale
10 | P a g e
A. Introduction générale
11 | P a g e
A. Introduction générale
Après avoir présenté et discuté les données de la littérature sur lesquelles nous nous
sommes appuyés, nous exposerons les trois études mises en œuvre dans le cadre de ce travail
de thèse. Les deux premières, avant tout méthodologiques, s’intéressent à l’influence de la
respiration sur les différents marqueurs de la variabilité cardiaque. Plus précisément, la
première étude concerne uniquement les marqueurs fréquentiels lors d’une mesure effectuée
dans plusieurs conditions de respiration alors que la seconde étude intègre la notion de suivi à
long terme des athlètes avec l’évolution de la plupart des marqueurs de la variabilité
cardiaque dans deux conditions de respiration différentes durant 21 jours consécutifs. La
troisième étude s’intéresse à la relation entre la charge d’entraînement et la variabilité
cardiaque post-exercice avec la présentation d’une méthode de quantification testée
directement sur le terrain au cours de quatre séances aux contenus très hétérogènes.
12 | P a g e
B. Revue de la
littérature
13 | P a g e
Partie 1 : La régulation autonome de la
fréquence cardiaque
14 | P a g e
Partie 1. La régulation autonome de la fréquence cardiaque
Plus spécifiquement, cette pompe cardiaque peut être considérée comme étant un
générateur de débit correspondant au volume de sang éjecté en une minute par le ventricule
gauche dans la circulation systémique. Il dépend de deux facteurs qui sont la fréquence
cardiaque (exprimée en battements par minute, bpm) et le volume d’éjection systolique
(exprimé en mL par battement). Avec une fréquence cardiaque moyenne de 70 bpm et un
volume d’éjection systolique d’environ 75 mL/batt, l’Humain présente généralement un débit
cardiaque de repos aux alentours de 5,25 L/min, ce qui représente l’équivalent du volume
sanguin global du corps humain. Par conséquent, la totalité du sang passe à travers
l’organisme en une minute. Néanmoins, nous soulignerons qu’il existe de grandes variations
en fonction des individus, de leurs dimensions corporelles ou de la demande de l’organisme à
l’instant t. Ainsi des valeurs de débit cardiaque de plus de 25 L/min peuvent êtres observées
lors d’un exercice intense [145,233].
Afin de satisfaire toutes les demandes de l’organisme, le débit cardiaque est modulé
par l’intermédiaire d’une régulation permanente de la fréquence cardiaque et/ou du volume
d’éjection systolique. Bien que le volume d’éjection systolique puisse varier (i.e. loi de
Starling avec le degré d’étirement des myocytes cardiaques en fonction du retour veineux),
nous admettrons qu’il demeure relativement stable au repos chez une personne en bonne
santé. En d’autres termes, la fréquence cardiaque est le principal facteur d’adaptation du débit
cardiaque au repos. Divers mécanismes interviennent pour assurer la continuité et le contrôle
de la fréquence cardiaque. Néanmoins, nous pouvons dissocier les mécanismes qualifiés
15 | P a g e
Partie 1. La régulation autonome de la fréquence cardiaque
16 | P a g e
Partie 1. La régulation autonome de la fréquence cardiaque
Bien que le rythme de base de contraction du cœur soit régit de manière intrinsèque
par le système de conduction cardiaque, la fréquence cardiaque est également sous l’influence
du système nerveux autonome. Constitué de deux branches antagonistes, ce dernier est, de
loin, le mécanisme extrinsèque le plus important de la régulation de la fréquence cardiaque.
La première branche, que l’on nomme le système nerveux sympathique, a pour mission de
préparer le corps humain à l’action. A titre d’exemple, il a pour effets d’augmenter le rythme
et la force des battements cardiaques, de dilater la pupille, d’augmenter la pression artérielle,
de ralentir la digestion, d’entraîner la vasoconstriction,… A l’inverse, la seconde branche, que
l’on nomme le système nerveux parasympathique, a pour mission de ralentir la fréquence
cardiaque et, dans la plupart des cas, elle provoque des effets contraires au système nerveux
sympathique en agissant sur les nombreuses parties ou fonction du corps précédemment citées
(voir Figure 2) [6,45,233].
17 | P a g e
Partie 1. La régulation autonome de la fréquence cardiaque
Figure 2: Principaux rôles des branches sympathiques et parasympathiques du système nerveux autonome.
Illustration de Amine et al. [6].
18 | P a g e
Partie 1. La régulation autonome de la fréquence cardiaque
19 | P a g e
Partie 1. La régulation autonome de la fréquence cardiaque
que de la noradrénaline (NA) est libérée par les neurofibres de la branche sympathique
(neurofibres adrénergiques). Suivant le type de récepteur des synapses cardiaques
(principalement β1 pour la noradrénaline et Muscariniques M2 pour l’acétylcholine), ces
neurotransmetteurs peuvent avoir un effet excitateur ou un effet inhibiteur. En d’autres
termes, le nœud sinusal reçoit en permanence des influx provenant à la fois du système
nerveux sympathique et du système nerveux parasympathique et c’est la branche la plus
faiblement excitée qui est temporairement inhibée avec comme résultat, une augmentation ou
une réduction immédiate de la fréquence cardiaque (voir Tableau 1) [145,146,162].
Neurotransmetteur
Acétylcholine Acétylcholine
pré-ganglionnaires
Zones cervicales et
Logement des ganglions Dans la paroi du cœur partie supérieure du tronc
sympathique thoracique
Neurotransmetteur
Acétylcholine Noradrénaline
post-ganglionnaires
20 | P a g e
Partie 1. La régulation autonome de la fréquence cardiaque
autonome.
21 | P a g e
Partie 2 : Méthodologie et procédés d’analyse
22 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Les auteurs ont pour habitude de classer les marqueurs de la variabilité de la fréquence
cardiaque au sein de trois familles que l’on nomme respectivement le domaine temporel, non-
linéaire et fréquentiel [10,214,217]. Chacun d’entres eux s’agrémentent, au fil des
publications, d’un certain nombre de nouveaux indices [80]. Aussi, pour chaque domaine
d’analyse, nous avons choisi d’exposer ici uniquement ceux qui, à notre sens, jouissent d’un
certain consensus.
D’un point de vue graphique, le domaine temporel est représenté par une courbe qui se
construit à l’aide d’une double échelle de temps ou chacun des intervalles RR est projeté à la
fois sur l’axe des X et l’axe des Y (voir Figure 5).
23 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Les premières informations issues de ce domaine sont les durées des intervalles RR
minimum et maximum observées durant la mesure de variabilité de la fréquence cardiaque.
Nous retrouvons parfois le ratio « maximum/minimum » ou le delta « maximum –
minimum » qui peut nous informer sur la stationnarité de la mesure au cours de
l’enregistrement [140]. Toutefois, ces premiers indices ne sont pas forcément représentatifs de
l’enregistrement total puisque, basés sur une unique valeur qui peut malheureusement être
biaisée [214]. A l’inverse, les auteurs accordent beaucoup plus de crédit aux indices temporels
qui sont basés sur des formules statistiques intégrant la totalité des intervalles RR de
l’enregistrement (représenté par le nombre N dans les formules suivantes) [126]. La plus
simple est la moyenne qui, bien qu’exprimée en milliseconde, n’est autre que la période
cardiaque moyenne de l’individu soit l’inverse de la fréquence cardiaque moyenne.
24 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
ܰ
݆ ൌͳ
തതതത ൌ
݁݊݊݁ݕܯൌ ܴܴ
ܰ
Dans toute analyse statistique, il est essentiel d’aborder la notion d’écart type
(également appelé déviation standard). Dans la littérature, nous retrouvons régulièrement cette
variable sous le terme SDNN ou SDRR (Standard Deviation of R-R interval) qui s’exprime en
millisecondes.
ܰ
ͳ
ܵ ܰܰܦൌ ඩ തതതതሻ;
ሺܴܴ݆ െ ܴܴ
ܰെͳ
݆ ൌͳ
Mathématiquement parlant, le SDNN nous offre une information sur la répartition des
valeurs autour de la valeur centrale (moyenne). Cette dispersion peut être comparée avec la
moyenne à l’aide d’un calcul du coefficient de variation (écart type relatif) pour se rendre
compte de l’homogénéité des intervalles RR. D’un point de vue physiologique, les auteurs
s’accordent à dire que l’indice SDNN reflète la variabilité globale du sujet [10,214,217].
D’autres variables sont, quand à elles, dérivées de la différence entre les intervalles
RR successifs. A titre d’exemple, le pNN50 s’obtient en faisant le rapport entre le nombre
d’intervalles RR qui varient de plus de 50 ms (en valeur absolue) avec l’intervalle précédent
et le nombre total d’intervalle RR de l’enregistrement (N). Exprimé en pourcentage, ce
marqueur est principalement modulé par l’activité parasympathique de notre système nerveux
autonome.
Pour terminer, nous nous devons également d’évoquer le RMSSD (Root Mean Square
of Successives Differences of R-R intervals) qui est, à notre sens, le marqueur temporel le plus
largement repris au sein de la littérature. Exprimé en millisecondes, il se calcule en faisant la
racine carrée de la moyenne des différences au carré des intervalles RR successifs et les
auteurs s’accordent à dire qu’il représente également l’activité parasympathique de notre
système nerveux autonome [191].
25 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
ܰെͳ
ͳ
ܴ ܦܵܵܯൌ ඩ ሺܴܴ݆ ͳ െ ܴܴ݆ ሻ;
ܰെͳ
݆ ൌͳ
Plus largement, un rapprochement peut être opéré entre les différents marqueurs du
domaine temporel et, d’une manière générale, la diminution de l’un de ces indices est très
souvent associée à un diagnostic défavorable (risques cardiovasculaires, surentraînement,…)
[10,126].
26 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
ͳ σܰ തതതതതത
݆ ൌʹ ሺሺܴܴ ݆ െܴܴ ݆ െͳ ሻെ ܴܴܧሻ; σܰ
݆ ൌʹ ሺܴܴ ݆ െܴܴ ݆ െͳ ሻ
ܵ ͳܦൌ ට כሺ തതതതതത ൌ
ሻ; avec ܴܴܧ
ʹ ܰെͳ ܰെͳ
27 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Figure 7: Représentation de Poincaré d’un enregistrement de variabilité de la fréquence cardiaque réalisé sur un sujet
entraîné (figure de gauche) et sur un sujet médicalement diagnostiqué comme étant surentraîné (figure de droite).
Illustration de Mourot et al. [163].
Bien que leurs utilisations restent assez confidentielles au sein de la littérature, nous
retiendrons que la majorité des autres marqueurs du domaine non linéaire sont basés sur la
théorie du chaos. Ainsi, la plupart des algorithmes sont destinés à déceler le déterminisme
d’un signal en rendant compte de sa complexité [143]. A titre d’exemple, la dimension
fractale [167], la fonction DFA (detrended fluctuation analysis) [178], l’entropie
approximative (ApEn) [14] ou encore la dimension de corrélation [23] font partie des
différentes méthodes non-linéaire. Si, d’un point de vue pratique, la plupart de ces
algorithmes ne jouissent pas d’une popularité débordante au sein de l’analyse de la variabilité
de la fréquence cardiaque, à notre sens, deux causes peuvent être évoquées pour justifier cette
aversion. Tout d’abord, les méthodes d’analyse sont difficiles à comprendre et à mettre en
œuvre mais, nous retiendrons surtout que leur interprétation physiologique ne fait pas
28 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
forcément l’unanimité au sein de la communauté scientifique ce qui n’est pas le cas des
indices SD1 et SD2 [10,23,177].
2.3.a. Théorie
λ
݊ߨݐ ݊ߨݐ
݂ሺݐሻ ൌ ܽͲ ൬ܽ݊
ܾ݊ ൰
ܶ ܶ
݊ൌͳ
λ
݂ሺߥሻ ൌ න ݂ሺݐሻ݁ െ݅ʹߨߥݐ݀ ݐ
െλ
29 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Figure 8: Représentation temporelle d’une sinusoïde de fréquence 0,10Hz, d’amplitude 100ms et de valeur moyenne
1000ms. Illustration personnelle
A l’aide d’une transformée de Fourier, ce même signal peut être représenté dans le
domaine fréquentiel par l’intermédiaire de son spectre de puissance (i.e issu d’une DSP) tel
que l’illustre la Figure 9.
De la même manière que dans le domaine temporel, nous pouvons voir que le signal
est composé d’une unique sinusoïde (une seule raie spectrale) qui présente une fréquence de
0,10Hz. Pour résumer, le domaine fréquentiel est simplement une autre méthode de
30 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
représentation d’un signal stationnaire et périodique que nous avons pour habitude de
considérer uniquement dans le domaine temporel. Néanmoins, il présente un certain nombre
d’avantages dont le plus important est de pouvoir dissocier plusieurs sinusoïdes de fréquences
différentes ce qui, dans la représentation temporelle, reste bien évidemment impossible à
réaliser. Pour illustrer nos propos, nous vous présentons un nouveau signal théorique qui est
construit à l’aide d’une somme de trois sinusoïdes présentant les caractéristiques suivantes :
Sinusoïde 2 : Fréquence = 0,10 Hz, Amplitude = 100 ms, valeur moyenne = 333 ms
Figure 10: Représentation temporelle de trois sinusoïdes d’amplitude et de fréquence différentes. Illustration personnelle
Le signal « sommé » est représenté ci-dessous dans le domaine temporel (Figure 11).
Nous pouvons très vite remarquer que ce signal n’est pas très régulier et qu’il n’est
« visuellement » pas possible de savoir quelles sont les fréquences qui le compose.
31 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Figure 11: Représentation temporelle d’une sinusoïde composée des trois sinusoïdes de l’illustration précédente.
Illustration personnelle
De plus, nous pouvons remarquer que la raie du milieu (0,10 Hz) présente la plus forte
énergie (donc amplitude dans le domaine temporel) avec une valeur pic de 2400 ms². La raie
de droite (0,25 Hz) présente une énergie pic de 1540 ms², ce qui représente environ 64 % de
l’énergie de la raie principale. La relation entre l’énergie fréquentielle (ms²) et l’amplitude
temporelle (ms) d’un signal étant une fonction de racine carrée, nous pouvons en déduire que
32 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
la sinusoïde de droite (0,25 Hz) présente une amplitude temporelle de ξͲǡͶ ൌ Ͳǡͺ soit 80 %
de l’amplitude de la sinusoïde principale (0,10 Hz). Nous retrouvons exactement la même
relation entre les sinusoïdes 2 et 3 qui oscillent respectivement à une fréquence de 0,10 Hz et
0,25 Hz avec une amplitude de 100 ms et 80 ms (l’amplitude de la sinusoïde 3 correspondant
bien à 80 % de l’amplitude de la sinusoïde 2).
33 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Figure 13: Exemple de représentation fréquentielle d’un signal de variabilité cardiaque avec les trois bandes de
fréquences VLF, LF et HF. Illustration personnelle.
34 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
soit 0,25 à 0,33 Hz – frein - système parasympathique) [20,90,199]. De plus, certains travaux,
qui se sont intéressés à la simulation d’une réponse impulsionnelle, ont démontré que la
stimulation du sympathique présentait une fréquence de coupure aux alentours de 0,15 Hz
[16,203]. Ces 2 marqueurs fréquentiels LF et HF de la variabilité de la fréquence cardiaque
s’exprime en ms² mais beaucoup d’auteurs les convertissent également en unité normalisée tel
que LFnu (en %) = LF/(LF+HF) et HFnu (en %) = HF/(LF+HF). Nous nous devons
également d’évoquer le ratio LF/HF (sans unité) qui représente la balance sympathovagale de
notre système nerveux autonome et qui apparaît au sein d’une multitude de publications
comme synthétisé par Eckberg [68]. De fait, ce dernier permet de montrer immédiatement
quelle est la bande de fréquence dominante [10]. Toutefois, nous soulignerons que ce ratio,
malgré sa popularité, entretient une certaine confusion pour de nombreux chercheurs
[68,200]. Pour terminer, le dernier marqueur fréquentiel de la variabilité de la fréquence
cardiaque est la puissance totale du spectre TP (total power). Cet indice représente l’aire sous
la courbe de la densité spectrale de puissance. En d’autres termes, il est égal à la somme des
trois bandes de fréquences VLF, LF et HF. Le théorème de Parseval démontre qu’il y a une
conservation de l’énergie entre les domaines temporels et fréquentiels qui se traduit par
l’égalité de la variance et de la puissance totale du signal [214,217]. Plus spécifiquement, le
marqueur fréquentiel TP est mathématiquement égal au marqueur temporel SDNN² (variance)
mais cette équation ne peut se vérifier en pratique puisqu’elle dépend de la méthode de
traitement du signal utilisée (voir paragraphe suivant) [10,89]. Toutefois, nous pouvons
admettre que l’indice TP est fortement corrélé au marqueur temporel SDNN [87].
Bien que ce travail de thèse ne soit pas spécifiquement dédié aux différentes méthodes
de traitement du signal, nous souhaitons, par l’intermédiaire de ce paragraphe, illustrer
brièvement et sans nécessairement entrer dans les détails les nombreuses possibilités qui sont
à la disposition du chercheur pour passer de la représentation temporelle à la représentation
fréquentielle du signal. Majoritairement issus des sciences de l’ingénieur (télécommunication,
traitement du son et de l’image), nous retiendrons que les deux méthodes les plus connues se
nomment la transformée de Fourier, (méthode dite non-paramétrique) et la modélisation
autorégressive (méthode dite paramétrique) mais il existe également d’autres algorithmes
comme la transformée en ondelettes, la méthode de Wigner-Ville ou encore la transformée de
Hilbert [112,220].
35 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
36 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
2.4. Conclusion.
Nous retiendrons que plusieurs marqueurs peuvent être calculés à partir d’un
enregistrement d’intervalles RR (voir Tableau 2). Regroupés au sein de 3 domaines (i.e.
temporel, non-linéaire et fréquentiel), certains de ces indices reflètent l’activité globale du
système autonome alors que d’autres permettent de dissocier l’activité des branches
sympathique et parasympathique. Bien que chaque marqueur comporte un intérêt certain, il
est important de souligner que le fait de présenter l’évolution de la totalité de ces indices au
sein d’une même étude peut rendre complexe l’interprétation physiologique des résultats qui
s’en suivent. A l’inverse, le fait de se focaliser sur l’analyse d’un seul marqueur permet de
mieux cibler les mécanismes sous-jacents qui le modulent. Plus concrètement, bien que
chacun des marqueurs précédemment cités soit analysé dans de nombreux travaux, il
semblerait que ce soit majoritairement les indices fréquentiels de la variabilité cardiaque qui
apparaissent le plus souvent au sein de la littérature.
37 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Fréquence cardiaque
Mean RR (HR) (bpm)
Moyenne
TP (ms²)
Variabilité globale
[0-0,4] Hz
38 | P a g e
Partie 3 : Les principaux facteurs influant
fréquence cardiaque
39 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
40 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
Figure 14: Illustration du rythme circadien du marqueur temporel SDNN (ms). Exemple repris dans
Massin et al. [150].
Nous retiendrons que, pour des sujets qui conservent un cadre de vie stable (i.e.
alternance régulière veille/sommeil), tous les marqueurs de la variabilité cardiaque atteignent
leurs acrophases aux alentours de 3 heures du matin et leurs bathyphases aux alentours de 14
heures excepté pour le ratio LF/HF qui présente une cinétique inverse [103,150]. A titre
d’exemple, Massin et al. ont relevé une amplitude moyenne de ±42% autour de la valeur
centrale pour le marqueur temporel SDNN avec un point maximum fixé à 3h51 ± 1h33 [150].
Une telle variation nous encourage à tenir compte de ce rythme circadien lors d’une analyse
de la variabilité de la fréquence cardiaque puisque, la valeur des différents marqueurs
dépendra également du moment où l’enregistrement sera effectué.
Sur terre, il existe une interaction permanente entre notre corps et le sol. Appelée
attraction terrestre, cette force gravitationnelle interagit différemment avec notre corps suivant
la position que l’on adopte (couchée, assise, debout). Le système nerveux autonome est alors
sollicité, via les barorécepteurs, pour réguler notre pression artérielle et adapter notre rythme
cardiaque en fonction de la sollicitation posturale. Etant donné la relation étroite entre le
système nerveux autonome et la variabilité de la fréquence cardiaque, il paraît justifié de se
poser la question de l’interaction entre notre position et la variabilité cardiaque.
41 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
Nous pouvons également souligner que beaucoup d’auteurs étudient les résultats d’un
tilt test. Aussi appelé test d’inclinaison, cet examen consiste à faire passer le patient de la
position couchée (0°) à la position debout (90°) grâce à une table basculante ou en se levant
rapidement. Ce brusque changement de posture est une manière simple et efficace de produire
des effets aigus sur l’activité autonome du système nerveux en sollicitant d’abord la branche
parasympathique lors de la phase couchée puis la branche sympathique au cours de la position
debout. En médecine, cet outil est principalement utilisé lors d’une exploration fonctionnelle
cardiovasculaire chez les individus sujets aux syncopes d’allure vagale. Ce changement de
posture entraîne une affluence du sang de la partie supérieure du corps vers les membres
inférieurs et donc, une chute brutale de la tension artérielle. Chez les sujets sains, la
stimulation des mécanorécepteurs cardiaques et des barorécepteurs artériels conduit
normalement à une réponse physiologique proportionnelle se traduisant par une augmentation
de la fréquence cardiaque et une vasoconstriction [125,142]. Les travaux de Montano et al.
(voir Figure 15) illustrent parfaitement cet « échange » de sollicitation des deux branches du
système nerveux autonome. En effet, nous pouvons constater qu’en partant d’une situation
42 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
standard (position couchée) pour aller, aléatoirement, vers une position de 15°, 30°, 45°, 60°
ou 90° (position debout), il existe une proportionnalité parfaite entre la stimulation
sympathique et parasympathique qui, d’un point de vue de la variabilité cardiaque, se traduit
par une corrélation significative entre l’angle (exprimé en degré) et le contenu fréquentiel des
LF ou HF (exprimé en unité normalisée) [159].
Figure 15: Relation entre la part d’énergie fréquentielle dans les LF et les HF lors d’un tilt test (Montano et al. [159]).
43 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
attribué, à tort, au sujet. En d’autres termes, il semblerait que les résultats d’une analyse
fréquentielle d’un tilt test qui est réalisé chez des athlètes de haut niveau reflètent avant tout
des différences interindividuelles liées à la fréquence de respiration de chaque sujet plutôt
qu’à un quelconque état de fatigue.
Pour terminer, de nombreux auteurs ont étudié l’effet de certaines positions non
conventionnelles, effectuées lors d’une séance de yoga, et il s’avère que les différents
marqueurs de la variabilité de la fréquence cardiaque sont affectés avec une stimulation de
l’une des deux branches du système nerveux autonome en fonction de la spécificité de
chacune des positions [202,227].
Il existe une interaction permanente entre les fonctions cardiaque et respiratoire. Ainsi,
l’inspiration inhibe temporairement l’influence du système nerveux parasympathique et
44 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
D’un point de vue purement fonctionnel, l’arythmie sinusale respiratoire joue un rôle
physiologique actif et non négligeable puisqu’elle permet de favoriser les échanges gazeux
lors de la phase d’inspiration (tachycardie) où l’air qui entre dans les poumons présente une
forte teneur en oxygène. Inversement, elle permet de freiner les échanges gazeux lors de la
phase d’expiration (bradycardie) où l’air résiduel contenu dans les poumons présente une
forte teneur en dioxyde de carbone [82]. Suivant les sujets, l’arythmie sinusale respiratoire
semble plus ou moins prononcée en fonction de différents paramètres comme la fréquence de
respiration spontanée [15,100], le niveau d’entraînement [66] ou encore le niveau de stress
psychologique (i.e. anxiété) [209].
45 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
Figure 16: Représentation temporelle et fréquentielle d’un enregistrement de variabilité cardiaque réalisé sur deux
individus. Le Sujet A présente une fréquence de respiration libre de 0,12 Hz et une arythmie sinusale respiratoire très
prononcée alors que le Sujet B présente une fréquence de respiration libre de 0,30 Hz et une faible arythmie sinusale
respiratoire. Données personnelles.
46 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
contrôlée [15,35,179]. Ainsi, Bernardi et al. montrent que pour des sujets qui sont allongés en
respiration libre ou en respiration contrôlée (fixée à 15 cycles par minute) la part de l’énergie
comprise dans la bande des basses fréquences représente 54,04 ± 7,23 % en respiration libre
puis 39.54 ± 8.81 % en respiration contrôlée (comparativement à l’énergie spectrale totale
VLF + LF + HF) [19]. A l’inverse, la part de l’énergie comprise dans la bande des hautes
fréquences représente 39,04 ± 5,76 % en respiration libre puis 57,60 ± 8,67 % en respiration
contrôlée (p<0,05). Nous pouvons remarquer que 15 cycles par minute équivalent à une
fréquence respiratoire de 0,25 Hz (donc contenue dans les HF). Ainsi, lors de la phase de
respiration contrôlée, une partie de l’énergie spectrale est concentrée autour de 0,25 Hz via
l’arythmie sinusale respiratoire. Ce qui a pour effet d’augmenter significativement et
artificiellement la puissance des HF au détriment des LF. De même, Brown et al. illustrent
également cette influence de la respiration en proposant une analyse du contenu fréquentiel
d’un enregistrement de variabilité cardiaque lorsque le sujet suit différents modèles de
fréquence de respirations imposées (6, 7.5, 10, 15, 17, 20 et 25 respirations par minute). Tout
comme Pentilla et al., ils observent une décroissance de la puissance des LF lorsque la
fréquence respiratoire augmente [35,179].
47 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
mesure [86]. De plus, cette méthode peut faciliter les comparaisons quantitatives en réduisant
les différences interindividuelles puisque chaque sujet suit exactement le même modèle de
respiration [173,196]. Malgré tout, cette solution reste controversée puisque tous les auteurs
ne sont pas forcément en accord avec la fréquence de respiration à imposer [19,66,154]. De
surcroît, même en cas de consensus, il persisterait un obstacle majeur qui a été clairement
discuté par Ben Lamine et al. [15]. En effet, il s’avère que chaque individu ne réagit pas de
façon identique en suivant un modèle de respiration imposé et il semblerait que ces
différences soient directement liées à l’éloignement qui réside entre la fréquence de
respiration libre, propre à chaque individu, et la fréquence de respiration imposée. Plusieurs
auteurs ont démontré que plus la fréquence de respiration imposée était lente et éloignée de la
fréquence de respiration libre de l’individu, plus l’arythmie sinusale respiratoire était
marquée. A noter que la relation inverse est également vraie (i.e. plus la fréquence de
respiration contrôlée est élevée et éloignée du rythme naturel, moins l’arythmie sinusale
respiratoire est marquée) [15,100]. En d’autres termes, imposer une fréquence de respiration
de 0,18 Hz n’aura pas du tout le même impact physiologique chez un individu qui présente
une fréquence de respiration libre de 0,20 Hz comparativement à un autre individu qui
présente une fréquence de respiration libre de 0,25 Hz (voir Figure 18) [15].
48 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
3.4.a. Sommeil
Bien que l’influence du sommeil ait déjà été abordée au sein d’un autre paragraphe,
nous discutons ici les modifications de la variabilité de la fréquence cardiaque que l’on peut
observer au cours du sommeil. Chez les individus sains, le sommeil se caractérise par une
suite de 3 à 5 cycles d’une durée moyenne de 90 minutes. Chacun de ces cycles étant
caractérisé par 5 phases bien distinctes dont les 4 premières correspondent au sommeil à
ondes lentes (S1 ou somnolence, S2 ou sommeil léger, S3 et S4 ou sommeil profond) alors
que la dernière correspond au sommeil paradoxal [101,229].
49 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
Figure 19: Evolution de la distribution de l’énergie fréquentielle entre les bandes LF et HF au fur et à mesure
d’un cycle de sommeil. W pour réveil. S1, S2 et SWS (S3 et S4) pour les 4 premières phases du cycle. REM pour
la dernière phase (sommeil paradoxal) [72].
3.4.b. Alimentation
50 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
semblerait que cette réponse cardiovasculaire aiguë soit multifactorielle et dépende, entre
autre, du type d’aliment, de sa composition énergétique, de la quantité et du moment où il est
ingéré [71,190]. Plus largement, nous pouvons noter que certaines modifications à long terme
de l’activité du système nerveux autonome peuvent en partie être attribuées à des régimes
spécifiques. Ainsi, une augmentation de l’apport en glucides a pour effet de stimuler l’activité
sympathique [218] alors qu’une réduction de l’apport en lipides a pour effet d’augmenter
l’activité parasympathique [176].
Si l’on s’intéresse aux liquides, l’ingestion d’eau pure ne semble pas avoir d’effets
significatifs sur les différents marqueurs de la variabilité de la fréquence cardiaque [71].
Néanmoins, de nombreuses boissons contenant des substances de la famille des alcaloïdes ont
un effet stimulant psychotrope significatif sur le système nerveux autonome [99,169]. Ainsi,
l’absorption de café a pour effet d’augmenter aussi bien l’activité sympathique [169,213] que
parasympathique [99]. Malgré tout, il est intéressant de souligner que l’effet psychotrope
immédiat semble moins prononcé chez les sujets habitués à consommer quotidiennement du
café [197,213].
A la lecture de cette brève synthèse, nous pouvons constater que l’ingestion d’un repas
ou d’une simple boisson à base de caféine engendre des effets significatifs sur les indices de
la variabilité cardiaque. Ainsi, au cours des protocoles d’études, de nombreux auteurs
imposent aux athlètes de réaliser les enregistrements à jeun afin de supprimer ces effets
[122,191].
3.4.c. Déshydratation
51 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
[47]. Cette influence de la branche parasympathique a pour rôle de diminuer l’effet du stress
cardiovasculaire (i.e. tension artérielle) induit par la déshydratation [47]. Nous pouvons donc
admettre que l’individu doit nécessairement se trouver dans un état proche de l’hydratation
optimale (euhydration) pour que les différents indicateurs de la variabilité cardiaque ne soient
pas affectés. Dans le cadre d’un suivi d’athlète effectuant des mesures régulières, il est
conseillé de faire des comparaisons des différents enregistrements uniquement lorsque le
niveau d’hydratation de l’individu est similaire, en particulier si la mesure est effectuée le
matin au réveil puisqu’au cours de la nuit, les pertes hydriques sont conséquentes.
Chez l’Homme, la lumière peut également provoquer des effets physiologiques aigus
comme l’arrêt de la sécrétion de mélatonine et l’augmentation de la vigilance [30,54]. Ainsi,
l’intensité et l’ambiance lumineuse modifient l‘activité du système nerveux autonome avec
une augmentation de la déviation standard des intervalles RR (indice SDNN) lorsque
52 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
l’individu effectue l’enregistrement dans une pièce allumée (49.5 lux, 12.9 μW/cm²)
comparativement à une ambiance très sombre [54]. Nous pouvons également noter que même
la couleur de l’ambiance lumineuse peut influencer les marqueurs de la variabilité de la
fréquence cardiaque puisque, comparativement à une lumière blanche, l’exposition à une
lumière rouge ou bleue modifie significativement les marqueurs fréquentiels et temporels
[54,205].
Etant donné que la musique peut produire un effet excitant ou relaxant, il est
intéressant de considérer l’ambiance sonore qui entoure l’individu au cours de la mesure
[70,108]. Ainsi, des différences ont été rapportées en fonction du type de musique écoutée
(musique classique douce, reggae, rap, techno) [18]. Ecouter une musique douce aura pour
effet d’augmenter la composante haute fréquence du spectre du signal de la variabilité
cardiaque [108]. A l’inverse, un son d’origine mécanique, pouvant être considéré comme un
bruit néfaste, va inhiber le système nerveux parasympathique ce qui, d’un point de vue plus
rationnel, augmentera significativement le ratio LF/HF [237].
Pour terminer, nous pouvons aussi évoquer les travaux de Liao et al . qui ont mis en
évidence une relation significative entre la qualité de l’air que l’on inspire au moment de
l’enregistrement et l’activité du système nerveux autonome [136]. Ainsi, lors d’un suivi
quotidien de 3 semaines, les auteurs ont remarqué qu’il y avait une baisse de l’activité
parasympathique lors des jours de grandes pollutions (Nombres de particules polluantes >
15μg/m3 d’air). Ces résultats ont été confirmés par d’autres études qui démontrent qu’une
exposition à un air ambiant pollué engendre un stress sympathique immédiat [139].
Les différents résultats de cette partie nous montrent que lors d’une série de mesures
de variabilité cardiaque, il est essentiel de s’efforcer à contrôler le maximum de paramètres
extérieurs pouvant influencer les différents marqueurs. A titre d’exemple, la pièce où sont
effectués les enregistrements doit nécessairement conserver une ambiance stable d’une
mesure à l’autre (luminosité, température).
Au sein de cette partie, nous tentons d’aborder tous les effets que peut avoir notre
cerveau, de façon consciente, inconsciente, contrôlable ou incontrôlable, sur une mesure de la
53 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
variabilité cardiaque. Le domaine étant très vaste, nous nous sommes restreints à quelques
activités cognitives et sollicitations émotionnelles.
Afin de stimuler l’activité cognitive des sujets, Bernardi et al. leur demandent de
réaliser un calcul mental (soustraction) qui, comparativement à la situation de base, a pour
effet d’augmenter considérablement l’activité sympathique lorsque le calcul est réalisé à voix
haute [19]. Néanmoins, lorsque le calcul est réalisé en silence, c’est plutôt l’activité
parasympathique qui a tendance à s’effondrer [19,212]. Ainsi, pour Sloan et al.
l’augmentation de l’activité sympathique serait plutôt attribuable au fait d’énoncer le résultat
du calcul à voix haute et viendrait occulter l’effet directement lié au calcul mental qui
provoque une baisse de l’activité vagale [212]. Bernardi et al. s’intéressent alors à l’influence
du langage en analysant les sujets dans 3 situations distinctes : lors d’une discussion libre, lors
de la lecture d’un texte à voix haute puis lors de la lecture d’un texte à voix basse. Il en résulte
que les deux situations associées à la parole ont entraîné une faible augmentation de l’activité
sympathique alors que la lecture en silence à entraîner une diminution de la puissance des
hautes fréquences [19]. Des résultats qui corroborent parfaitement l’hypothèse de Sloan et al.
[212]. Ainsi, toute activité cognitive peut avoir un effet non négligeable sur les indices de la
variabilité de la fréquence cardiaque. A titre d’exemple, certains marqueurs (différence peak
to peak) sont même utilisés dans le cadre d’études en imagerie mentale pour déterminer si le
sujet a correctement réalisé sa tâche d’imagerie [56]. Très concrètement, comparativement à
une période de base, plus les intervalles peak to peak créés par l’arythmie sinusale respiratoire
sont faibles (réduction de la variabilité globale), plus l’individu peut être qualifié de bon
imageur [57]. Cela nous amène à penser que lors d’une mesure de variabilité cardiaque chez
le sportif, il se pourrait qu’une part des résultats soit en partie due à l’activité mentale de
l’individu au cours de l’enregistrement (imagerie mentale positive ou négative à l’instant
présent).
D’autres auteurs ont mesuré l’influence d’une activité émotionnelle. En diffusant des
images ou de la musique spécifique, ils ont pu créer des émotions très distinctes chez
l’individu (la peur, le bonheur, la tristesse) [152,166]. D’une manière générale, nous pouvons
admettre que les situations en « émotions négatives » entraînent une forte augmentation de
l’activité du sympathique alors que les situations en « émotions positives » entraînent une
augmentation de l’activité des deux branches de notre système nerveux autonome [152].
54 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
Ces résultats présentent un grand intérêt puisque, bien qu’une mesure soit effectuée
dans des conditions de calme et de stabilité extérieure parfaite, nous ne pouvons
malheureusement pas contrôler la stabilité intérieure (et donc émotionnelle) de l’individu.
Ainsi, il y a de fortes chances que, dans le cadre d’un suivi longitudinal régulier de la
variabilité cardiaque, certains résultats soient très influencés par l’activité cognitive et l’état
émotionnel de l’individu au moment de l’enregistrement.
3.4.f. Age/sexe
55 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
Figure 20: Le marqueur SDNN décroit significativement au fil des années. Illustration
reprise chez Zhang et al. [240].
Néanmoins, cette tendance à la diminution peut être ralentie (voire même inversée
chez les sédentaires) sous l’effet d’un programme d’entraînement à dominante aérobie.
Toutefois, les personnes les plus jeunes affichent une plus grande capacité d’augmentation de
la variabilité globale comparativement aux personnes les plus âgées [46,172].
Bien que l’impact soit plus faible comparativement à l’effet de l’âge, nous pouvons
également souligner l’existence de disparité en fonction du sexe [240]. Ainsi, pour certains
auteurs, les femmes semblent avoir un ratio LF/HF significativement plus faible que les
hommes [104,135] alors que d’autres ne rapportent aucune différence [215] ou encore des
résultats totalement contradictoires [211]. Ces controverses pourraient tout simplement être
attribuées à l’effet de certaines hormones comme l’œstrogène qui s’expriment différemment
au court du temps (cycle menstruel, ménopause) et dont l’action sur la variabilité cardiaque
vient s’entremêler avec l’effet principal lié au sexe. [104,133].
3.4.g. Pathologies
56 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
En premier lieu, il est nécessaire d’évoquer les travaux considérables qui ont été
menés sur les patients traités en post-infarctus du myocarde [128]. Il s’avère que la variabilité
de la fréquence cardiaque est un indice d’estimation du pronostic vital permettant d’évaluer
fidèlement le risque de rechute [55]. Plus précisément, il semblerait que les patients présentant
une valeur de SDNN inférieure à 50 ms (mesurée sur 24 heures) dans les jours suivants un
infarctus du myocarde présentent une probabilité de rechute très importante [124].
Pagani et ses collaborateurs ont également montré que les patients atteints de diabète
présentent une variabilité globale beaucoup plus faible que les sujets du groupe contrôle (TP =
1436 ± 241 Vs. 2722 ± 300 ms2, respectivement) [175]. De plus, il semblerait qu’au cours
d’une épreuve de tilt test passive, les individus diabétiques fournissent une réponse altérée
lors du passage de la position couchée à debout (faible chute de l’activité des hautes
fréquences et faible augmentation de l’activité des basses fréquences) [175].
En se basant sur des enregistrements continus de 24 heures, certains auteurs ont aussi
rapporté que les personnes souffrant d’obésité présentent une baisse significative de l’activité
parasympathique du système nerveux autonome ainsi qu’une diminution du marqueur
temporel SDNN [119,238].
De même, une faible valeur du marqueur temporel SDNN a également été enregistrée
chez les patients atteints d’une pathologie type broncho-pneumopathie chronique obstructive
(BPCO - obstruction des voies aériennes et des poumons) mais, dans ce cas précis, l’activité
parasympathique (puissance des hautes fréquences exprimée en unité normalisée) est plus
élevée que chez les sujets sains [230]. Il semblerait que ce renforcement du tonus vagal ait
pour objectif de compenser l’augmentation de la pression intra-thoracique due à l’obstruction
des voies aériennes [230].
57 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
3.5. Conclusion
Pour rester plus pragmatique, il semble essentiel de garder à l’esprit et de tenir compte
des nombreux paramètres précédemment décrits pour utiliser la variabilité de la fréquence
cardiaque dans le cadre du suivi des athlètes [26].
58 | P a g e
Partie 4 : Effets immédiats, moyen terme et
59 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
La majorité des facteurs influençant les résultats d’une mesure de variabilité cardiaque
ont été regroupés et discutés au sein du chapitre précédent. Néanmoins, nous avons
volontairement omis d’évoquer les modifications liées à la pratique d’une activité physique.
Pourtant, le moindre entraînement sportif perturbe considérablement les différents marqueurs
de la variabilité cardiaque que ce soit pendant, immédiatement après ou encore à plus long
terme. Thème central de nos recherches, la totalité de cette partie sera consacrée à l’analyse de
la relation entre la variabilité cardiaque et la réponse à un entraînement.
Avant même de discuter des effets directs, mesurables au cours de l’exercice, il est
intéressant d’évoquer la notion d’anticipation. En effet, au préalable de toute activité
physique, certains auteurs rapportent qu’il existe une inhibition de l’influx nerveux vagal du
cœur et une augmentation de la décharge sympathique [58]. Cette pré-activation sympathique
permet ainsi d’augmenter la fréquence cardiaque et la contractilité du myocarde de sorte à
anticiper le début de l’activité [10].
60 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
avec une diminution des basses fréquences et une augmentation des hautes fréquences [180].
Plus précisément, il semblerait que l’augmentation de la fréquence de respiration au cours de
l’exercice entraîne une augmentation « mécanique » de plus en plus importante de l’énergie
relative des hautes fréquences [186]. Cette forte influence de la respiration sur les marqueurs
fréquentiels a même été déclinée par Cottin et al. pour détecter les seuils ventilatoires au cours
d’un exercice à l’aide de la variabilité cardiaque [62].
Nous venons de voir que l’exercice avait pour effet de diminuer considérablement la
variabilité globale. Ainsi, à la fin d’une activité physique intense (7x(3 min à 85% VO2max et
2 min de repos)), Kaikkonen et al. relèvent une baisse de l’énergie totale du signal de plus de
70% comparativement à l’état de repos mesuré avant le début de l’exercice [116]. Certains
travaux rapportent également une diminution d’autres marqueurs comme les basses
fréquences, les hautes fréquences ou encore le RMSSD [115,116,208]. Néanmoins, il est
intéressant de préciser que cette baisse est étroitement liée au « type » d’exercice réalisé
[113,114]. Ainsi, de nombreuses expériences ont été élaborées pour comprendre les
mécanismes sous-jacents qui modulent cette diminution de la variabilité cardiaque et il
semblerait que la durée de l’exercice [115] et le fait qu’il soit réalisé en continu ou en
intermittent [116], n’influencent pas directement la variabilité post-exercice. A l’inverse, une
étroite relation existe entre l’intensité de l’exercice et la baisse de plusieurs marqueurs de la
61 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
62 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
après 30 minutes de récupération d’une séance intermittente réalisée à une intensité supérieure
au seuil ventilatoire 2 les athlètes entraînés n’ont retrouvé que 45% de la valeur initiale du
RMSSD alors que les athlètes très entraînés ont déjà retrouvé plus de 90% de la valeur de
repos.
Bien que la littérature propose plusieurs études qui s’intéressent à l’évolution des
indices de la variabilité cardiaque suite à un exercice, nous pouvons remarquer que très peu
d’entres elles fournissent des résultats au-delà de 30 minutes de récupération. Nous pouvons
quand même évoquer les travaux de Mourot et al. dans lesquels chaque sujet devait réaliser 2
séances différentes (une intermittente avec une intensité maximum et l’autre en continu avec
une intensité légère) mais qui présentaient exactement le même travail total (en kilojoules par
kilogramme) [164]. Comparativement à des valeurs de repos (respectivement 2228±254 et
2240±278 ms²), une heure après l’arrêt de l’exercice, la puissance totale du signal est encore
significativement plus basse dans les deux cas (respectivement 647±143 et 1134±157 ms²).
Cependant, nous pouvons quand même remarquer que l’impact de la séance en continu est
moins important (i.e. réactivation parasympathique plus rapide) et il semblerait que dans ces
conditions précises, les marqueurs de la variabilité cardiaque reviennent plus rapidement à des
valeurs de repos. De même, Casties et al. démontrent que, à la suite d’un exercice à puissance
incrémentale (40, 70 et 90% ܸሶ O2max par palier de 8 minutes), 50 minutes de récupération
suffisent à retrouver des valeurs de RMSSD significativement identiques à celles de repos
(repos=77±45 ms Vs. post50=49±50 ms ; NS) [48].
63 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
Mais le fait que la plupart des chercheurs se concentrent principalement sur les 30
premières minutes post-exercices peut, à notre sens, s’expliquer avec les résultats proposés
par Seiler et al. [208]. En effet, bien que la récupération parasympathique soit
considérablement retardée pour des séances effectuées au dessus du seuil ventilatoire 1, il
semblerait que chez les sujets entraînés, seules les séances effectuées à une intensité
supérieure au seuil ventilatoire 2 laissent des traces visibles sur les marqueurs de la variabilité
cardiaque au-delà des 30 minutes qui suivent l’exercice [208].
Figure 21: Evolution du marqueur pNN50 pendant les 4 heures suivant des entraînements réalisés
à différentes intensités (exprimé en % par rapport à la mesure avant l’exercice). Illustration de
Seiler et al. [208].
Pour conclure, mis à part quelques « traces » d’un rebond parasympathique post-
exercice fortement retardé, il semblerait que, dans le cadre d’une étude effectuée chez des
sujets très entraînés, il n’y ait que très peu d’informations à soutirer d’enregistrements post-
exercices supérieurs à une heure [219]. De plus, il est important de souligner qu’au-delà de 30
minutes d’enregistrement, certains paramètres méthodologiques comme la position du sujet
ou encore sa consommation de boisson et de nourriture durant la phase de récupération
peuvent également influencer une partie des résultats [164,208,219].
64 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
Après avoir discuté des effets aigus d’une activité physique, nous abordons au sein de
cette section les effets d’un exercice sur les indices de la variabilité cardiaque qui sont encore
visibles les jours suivant le stimulus. Ainsi, plusieurs auteurs ont réalisé des enregistrements
de variabilité cardiaque le lendemain de différents types d’exercices et il semblerait que seules
les séances à très forte dépense énergétique laissent encore apparaître des traces [34,164]. En
effet, les travaux de Mourot et al. démontrent qu’il n’existe aucune différence entre l’énergie
totale du signal mesuré avant et 24 heures après un exercice continu réalisé à intensité
modérée [164]. A l’inverse, il existe une différence significative pour un exercice intermittent
réalisé à haute intensité avec une énergie totale de 2128±254 ms² avant l’exercice et de
1392±228 ms² 24 h plus tard [164]. Des résultats similaires ont également été rapportés par
Bricout et al. qui s’intéressent à la baisse de la variabilité cardiaque suite à un jour de repos,
un jour d’entraînement ou un jour de compétition de foot [34]. Aucune différenciation n’a pu
être faite entre les mesures effectuées après un jour de repos et un jour d’entraînement et ce,
quels que soient les marqueurs de la variabilité cardiaque (temporels ou fréquentiels). A
l’inverse, une diminution significative des marqueurs de l’activité parasympathique comme
l’énergie des hautes fréquences ou le pNN50 a été enregistrée le lendemain du match [34].
D’après l’auteur, le fait que seule une compétition génère des traces de fatigue au niveau de
l’activité du système nerveux autonome peut s’expliquer par la double sollicitation, à la fois
physique et psychologique, induite par le match [34]. A titre d’information, il est intéressant
de souligner que la majorité des études « post-exercice » mesurent les effets d’une séance
aérobie mais il semblerait que l’activité du système nerveux autonome soit également sensible
à des séances de musculation avec des perturbations qui persistent pendant les 48 heures
suivantes [52].
Nous nous devons également d’évoquer les travaux considérables de Hautala et al. qui
ont mesuré l’évolution des intervalles RR durant trois jours consécutifs au cours desquels
chacun des neuf sujets participent à une course de ski de fond particulièrement longue et
difficile [91]. La répartition des enregistrements, à savoir de 24 heures avant jusqu’à 48
heures après l’évènement, a permis d’analyser avec précision l’évolution de l’activité du
système nerveux autonome face un stimulus d’une durée de 4 heures et 31 minutes (±45
minutes) réalisé à 87±2,8% de la fréquence cardiaque maximale de chaque individu.
65 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
Figure 22: Evolution de l’activité des hautes fréquences (exprimée en unité normalisée), 24 heures avant puis 48
heures après une course de ski de fond de 76 kms. Illustration de Hautala et al. [91].
L’analyse spectrale de l’évolution des hautes fréquences indique que le flux vagal est
fortement réduit dans les heures qui suivent la compétition (voir Figure 22). La nuit de
sommeil ne suffit pas à retrouver le niveau de base enregistré au cours de la nuit précédant la
course. Mais le plus intéressant provient de la dernière partie de la courbe puisque nous
pouvons voir qu’un rebond parasympathique apparaît durant la seconde nuit de récupération.
Les auteurs soulignent que le rebond permet d’atteindre des valeurs supérieures à celles
enregistrées au repos et nous pensons qu’il pourrait présenter des similitudes avec le
phénomène de surcompensation décrit dans les travaux de Busso et al. [42,44,91]. De plus, ils
rapportent également des différences interindividuelles au niveau du temps de récupération de
l’activité vagale avec des récupérations beaucoup plus rapides pour les athlètes présentant une
meilleure capacité cardiorespiratoire [91]. Ainsi, il semblerait qu’un entraînement régulier
induise des adaptations à long terme au niveau du système nerveux autonome.
66 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
le marqueur RMSSD qui est significativement plus élevé chez les athlètes comparativement
aux sédentaires (respectivement 73,5±23,7 et 45,5±26,8 ms) [9]. Cette forte activité
parasympathique est confirmée par les indices fréquentiels puisque les sédentaires présentent
une plus faible énergie spectrale dans la bande des hautes fréquences par rapport à des
coureurs spécialistes de l’endurance [210]. De même, l’énergie totale du signal est plus
importante chez les sujets entraînés comparativement à des individus sédentaires [84].
D’une manière plus générale, Aubert et al. résument que l’entraînement en endurance
a pour effet, en parallèle d’augmenter les capacités cardiorespiratoires, de renforcer le tonus
vagal des individus ce qui contribue, en partie, à faire diminuer la fréquence cardiaque de
repos des athlètes [10]. Néanmoins, les travaux de Furlan et al. démontrent que c’est
l’augmentation des activités à la fois sympathique et parasympathique qui favorise la
performance [78]. De même, bien que la majorité des auteurs rapportent une augmentation
des marqueurs temporels de la variabilité cardiaque ainsi que de l’énergie spectrale totale chez
les sujets entraînés, il est important de rappeler qu’il n’existe pas de consensus par rapport à
l’effet de l’entraînement sur la répartition de l’énergie fréquentielle dans les bandes de basses
et hautes fréquences (i.e. exprimées en unité normalisée). En d’autres termes, certains auteurs
ne rapportent aucune modification significative entre la part de l’énergie des basses et hautes
fréquences [156] alors que d’autres mesurent des effets totalement opposés [78,111]. Il
semblerait que l’interaction entre la respiration et les indices spectraux de la variabilité
cardiaque (i.e l’arythmie sinusale respiratoire) soit à l’origine de ces controverses [10]. Ainsi,
une respiration lente et profonde (i.e. <0,15 Hz), qui est une caractéristique commune chez les
athlètes, pourrait entraîner une partie de l’énergie vagale normalement présente dans les
hautes fréquences vers les basses fréquences du spectre de puissance et ainsi, venir totalement
perturber l’interprétation du marqueur LF/HF de la variabilité cardiaque [155,216].
67 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
Afin de mieux comprendre le lien qui réside entre la pratique d’un entraînement
régulier et l’adaptation de l’activité du système nerveux autonome qui en résulte, certains
auteurs se sont interrogés sur l’effet d’un cycle d’entraînement imposé à des sédentaires
[29,154]. Suite à un cycle de 12 semaines d’entraînement, Gamelin et al. rapportent une
augmentation de la puissance totale du signal [79]. De même, suite à un programme
d’entraînement de 16 semaines, des individus sédentaires voient leur RMSSD augmenter
significativement d’une valeur moyenne de 35 ms à une valeur de 50 ms (voir Figure 23)
[154]. Plus généralement, Pichot et al. ainsi que Vesterinen et al. démontrent que la plupart
des marqueurs de la variabilité cardiaque augmentent significativement suite à un
entraînement intensif respectif de 1 mois ou 6 mois (indices temporels SDNN, RMSSD,
pNN50 et indices fréquentiels HF et TP) [187,228]. Mais leurs travaux révèlent aussi que
l’activité du système nerveux autonome a tendance à « glisser » vers une prédominance
parasympathique (diminution significative du marqueur LF/HF). Ces résultats corroborent
avec les travaux de Hautala et al. puisque suite à un programme d’entraînement intensif de 8
semaines, le ratio LF/HF d’un groupe de 18 sédentaires passe d’une valeur moyenne de
3,5±1,9 à une valeur de 2,7±1,2 (p<0,05) [94].
Figure 23: Evolution du marqueur RMSSD chez des sédentaires qui suivent un
programme d’entraînement de seize semaines. L’augmentation de l’activité du
système nerveux autonome reflète l’adaptation positive à l’entraînement des
sédentaires (courbe noire) comparativement au groupe contrôle (courbe grise).
Illustration de Melanson et al. [154].
68 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
désentraînement peut également provoquer l’effet inverse. Ainsi, Gamelin et al. rapportent
que l’énergie des basses et hautes fréquences diminue significativement lors d’une période de
désentraînement de 4 semaines [79].
69 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
Des exemples concrets de cette théorie ont été rapportés dans plusieurs travaux comme
ceux de Uusitalo et al. ou encore Pichot et al. qui, lors d’une période de surentraînement,
rapportent une diminution de l’activité parasympathique et une augmentation de l’activité
sympathique [187,226]. Le deuxième type de surentraînement étant décrit au sein de l’étude
de cas de Hedelin et al. où une forte dominance de l’activité parasympathique et une baisse de
la fréquence cardiaque de repos sont mesurées chez un skieur de fond dont les performances
ont brusquement diminué suite à une accumulation de fatigue centrale [98].
70 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
Néanmoins, ces résultats ne font pas l’unanimité puisque Hynynen et al. rapportent
que, comparativement à un groupe contrôle, les athlètes surentraînés présentent une
diminution globale de l’activité du système nerveux autonome mais, d’un point de vue
statistique, seules les basses fréquences sont significativement plus faibles [105]. D’autres
études viennent également contredire les précédents résultats puisque Bosquet et al.
n’enregistrent aucune modification du ratio LF/HF chez des athlètes diagnostiqués comme
« surentraînés » à l’aide de critères d’inclusions physiologiques et psychologiques [27]. De
même, malgré une diminution significative du VO2 max (-5%), Hedelin et al ne relèvent
aucun changement fréquentiel chez des athlètes présentant un surentraînement de type « court
terme ». L’absence de modifications du niveau d’adrénaline et de noradrénaline amène les
auteurs à penser que seuls les surentraînements de type « long terme » génèrent des
perturbations au niveau de l’activité du système nerveux autonome [97].
Premièrement, la majorité des travaux présentés ci-dessus se basent sur de très faibles
échantillons de sujets (entre 5 et 10 athlètes au maximum) voire même, pour certains sur des
71 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
études de cas [98,163]. Le seuil de significativité est donc difficilement atteignable et si les
marqueurs d’un seul sujet n’évoluent pas dans le même sens que ceux des autres athlètes,
c’est la totalité de l’échantillon qui devient non significatif. Au regard de la très forte
variabilité interindividuelle des indices (TP = 4857 ± 4598 ms² dans l’étude de Hynynen et al.
[105]), il nous semble que cette hypothèse doit être prise en considération lors de
l’interprétation des résultats [92].
Pour terminer, c’est une nouvelle fois l’interaction qui réside entre la fréquence de
respiration et la variabilité cardiaque qui, à notre sens, peut expliquer la majorité des
divergences qui entourent le sujet. En effet, la plupart des études se sont focalisées sur les
variables fréquentielles. Hors, certains athlètes d’endurance présentent une fréquence de
respiration spontanée inférieure à la limite entre les basses et hautes fréquences (0,15 Hz)
couplée à une arythmie sinusale respiratoire particulièrement prononcée [66,216]. Les basses
fréquences sont alors dominantes quel que soit l’état de fatigue de l’athlète et, dans certains
cas, le ratio LF/HF peut atteindre des valeurs supérieures à 6 alors que l’individu ne présente
aucun signe de surentraînement [200]. De quoi totalement perturber l’interprétation
traditionnelle du ratio LF/HF qui est normalement inférieur à 1 lorsque le sujet est dans des
conditions d’entraînement normales et qui devient supérieur à 1 lors d’une période de fatigue
ou de surentraînement [163].
Notre dernière hypothèse semble parfaitement corroborer avec une récente publication
de Plews et al. qui ont choisi, par manque de fiabilité, de ne pas s’intéresser aux indices
spectraux de la variabilité cardiaque pour se focaliser uniquement sur le RMSSD (voir Figure
24) [191].
72 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
Figure 24: Evolution du marqueur RMSSD durant une période de 11 semaines à raison d’enregistrements quotidiens
réalisés chez deux triathlètes. Nous pouvons observer une forte baisse de l’activité du système nerveux autonome
lorsqu’un athlète tombe en état de surentraînement (graphique de droite). Illustration de Plews et al. [191].
Les auteurs présentent un suivi longitudinal d’une durée de 2 mois et 1/2 avec des
enregistrements de variabilités cardiaques effectués quotidiennement. Les résultats montrent
que le RMSSD chute considérablement au moment où l’athlète entre dans la phase de
surentraînement alors que l’athlète contrôle ne présente que des faibles variations dues à
l’effet de l’alternance des séances d’entraînements plus ou moins difficiles et des phases de
récupération. En se focalisant sur le même marqueur temporel, Baumert et al. ont rapporté des
résultats similaires avec une diminution du RMSSD lors de la phase de surentraînement et un
retour aux valeurs de bases à la suite d’une période de récupération [13].
Pour conclure, il nous semble intéressant de poursuivre les recherches qui relient le
surentraînement à la variabilité de la fréquence cardiaque en se concentrant sur des indices
fiables et robustes comme le RMSSD ou encore en se tournant vers des nouveaux marqueurs
fréquentiels qui permettent de s’affranchir des bandes de fréquences [80].
Tout au long de sa saison et, plus largement, de sa carrière, un sportif de haut niveau
cherche à optimiser son entraînement pour être apte à produire la meilleure performance
possible le jour de la compétition. Cette optimisation de l’entraînement passe par une
planification rigoureuse de l’intensité, du volume, de la spécificité et de la fréquence des
séances [51,165,239]. Une part importante de la performance est également liée à la mise en
place de périodes de récupération ou d’affutage qui permettent de créer une surcompensation
73 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
74 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
A plus long terme, Iellamo et al. remarquent que lors d’un suivi de 9 mois ou la charge
d’entraînement augmente graduellement, l’activité du système nerveux autonome passe d’une
dominance parasympathique à une dominance sympathique au cours de la phase
d’entraînement la plus dure [106]. Ces résultats sont confirmés par les travaux de Pichot et al.
qui suivent l’évolution des marqueurs de la variabilité cardiaque de six sédentaires pendant
plus de 100 jours [187]. Durant les deux premiers mois, la prédominance de l’activité
parasympathique démontre l’adaptation positive à l’entraînement des sujets. Au cours du
troisième mois, qui consiste à générer une surcharge d’entraînement, les auteurs observent un
« glissement » de l’énergie du système nerveux autonome vers la branche sympathique. Il est
important de souligner que le simple fait de stopper l’entraînement pendant une semaine suffit
à générer un rebond parasympathique reflétant le phénomène de surcompensation. Une
nouvelle fois, les auteurs concluent que l’activité du système nerveux autonome est
étroitement liée à l’état de fatigue de l’individu [187].
Plus récemment, les résultats des travaux de Buchheit et al. ou de Manzi et al., qui
s’intéressent également au suivi d’athlètes, confirment que des enregistrements réguliers de la
variabilité de la fréquence cardiaque permettent à la fois d’évaluer et de prédire l’impact d’un
entraînement sur le niveau de performance d’un athlète [38,144]. En se basant sur le même
constat, Kiviniemi et al. proposent une étude très originale qui consiste à déterminer le
contenu de l’entraînement à venir (i.e. intensité) en fonction du résultat de l’enregistrement de
variabilité cardiaque du jour [122]. En d’autres termes, si l’athlète observe une baisse de
l’activité du système nerveux autonome comparativement à l’enregistrement de la veille, il
devra réaliser une séance d’entraînement de basse intensité puisque les auteurs considèrent
qu’il montre des traces de fatigue. A l’inverse, si l’enregistrement est supérieur à celui de la
75 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
veille, l’athlète devra réaliser une séance de haute intensité puisque les auteurs considèrent
qu’il est en plus grande forme que la veille (i.e. aptitude). L’algorithme qui en résulte est
présenté dans la Figure 25.
Durant une période de quatre semaines, neuf athlètes ont suivi cette méthode
d’entraînement (G-HRV) alors que huit autres ont suivi une méthode d’entraînement
traditionnel (G-TRA). Cette individualisation de l’entraînement en fonction du niveau de
fatigue réel de chaque sujet a permis d’augmenter significativement le VO2 max du groupe G-
HRV (De 56±4 à 60±5 ml.kg-1.min-1) alors que le groupe G-TRA n’a pas eu de hausse
significative (De 54±4 à 55±3 ml.kg-1.min-1) [122]. Ces résultats ont été confirmés par les
mêmes auteurs lors d’une intervention similaire réalisée chez des sédentaires [121].
76 | P a g e
Partie 4. Effets immédiats, moyen terme et long terme d’une activité physique
4.8. Conclusion
Pour conclure, les différents résultats de ce chapitre nous autorisent à affirmer que des
enregistrements réguliers de la variabilité de la fréquence cardiaque permettent de suivre l’état
de forme d’un athlète (fatigue/aptitude) de manière totalement objective et individualisée. Le
niveau d’aptitude étant étroitement lié à l’activité du système nerveux autonome, les
perspectives d’utilisation de cet outil sont nombreuses et permettent notamment d’évaluer et
d’optimiser la période d’affutage de l’athlète en fonction de la charge d’entraînement actuelle
et des compétitions à venir [50]. De plus, en s’intéressant à l’évolution des tendances au fur et
à mesure de la saison, il est tout à fait possible de déjouer une période de surentraînement
[191] ce qui, à notre sens, fait de l’étude de la variabilité de la fréquence cardiaque un outil de
choix pour les athlètes et les entraîneurs.
77 | P a g e
C. Contributions
personnelles
78 | P a g e
C. Contributions personnelles
Hypothèses et problématiques
Cela fait maintenant trois décennies que la thématique de recherche sur la relation
entre l’activité physique et sportive et la variabilité de la fréquence cardiaque a fait son
apparition au sein de la littérature scientifique. Plus particulièrement, nous venons de voir que
de nombreux auteurs s’intéressent à l’utilisation de la variabilité cardiaque dans le cadre d’un
suivi individualisé du niveau de forme des athlètes. Malgré les résultats très probants de
plusieurs études, nous pouvons déplorer l’absence d’une méthodologie commune et unifiée
qui permettrait de décliner les résultats issus de la recherche scientifique en applications
concrètes directement utilisables sur le terrain par les entraîneurs et les athlètes. En d’autres
termes, cette absence de consensus génère un tel pluralisme méthodologique que, dans la
plupart des cas, il est difficile de croiser les résultats et d’établir des comparaisons rationnelles
entre des travaux présentant une problématique initiale commune. En effet, dans le contexte
de la variabilité cardiaque, il semblerait que les résultats d’une étude soient, avant tout,
étroitement liés aux choix méthodologiques de l’auteur et, à notre sens, l’interprétation des
données peut parfois paraître confuse ou donner lieu à des diagnostics erronés.
Figure 26: L’explosion des thématiques de recherche entourant l’étude de la variabilité de la fréquence
cardiaque a engendré une multiplication des méthodes d’analyse qui rendent difficiles l’interprétation des
résultats. Illustration personnelle.
79 | P a g e
C. Contributions personnelles
Figure 27: L’absence d’une méthodologie commune et unifiée amène l’auteur à construire son protocole d’analyse en
fonction d’une multitude de choix présents au sein de la littérature scientifique
A la vue de notre sujet de recherche initial, notre travail concernera avant tout la
méthodologie qui entoure une mesure de variabilité cardiaque. La problématique étant
particulièrement large et multifactorielle (e.g. position, durée et moment d’un enregistrement,
méthode de traitement du signal), nous allons nous concentrer uniquement sur l’influence de
la respiration. En effet, au sein de la littérature, nous pouvons relever que certains auteurs
80 | P a g e
C. Contributions personnelles
Par la suite, nous aborderons une thématique beaucoup plus concrète en nous
intéressant aux liens qui résident entre la charge d’entraînement et la variabilité cardiaque
post-exercice (étude n°3). L’hypothèse initiale, déjà discutée par d’autres auteurs, étant que
les modifications de l’activité du système nerveux autonome reflètent la charge
d’entraînement globale, nous proposerons une formule qui fournit, de manière chiffrée, un
indice de la charge d’entraînement directement utilisable sur le terrain par les entraîneurs et
les athlètes.
81 | P a g e
C. Contributions personnelles
Etude 1: The breathing effect of the LF/HF ratio in the heart rate variability
measurements of athletes
Ainsi, le but de cette étude était de mesurer l’impact de la respiration sur l’indice
LF/HF chez 15 athlètes recrutés dans un club local. Le volume d’entraînement mensuel des
individus sélectionnés était volontairement très hétérogène (moyenne 24±15 heures ; plage 5 -
58 heures) afin d’obtenir une large palette de fréquences de respiration spontanée (moyenne
0,169±0,06 Hz ; plage 0,086 - 0,30 Hz). Le protocole était basé sur 6 enregistrements de
variabilité cardiaque d’une durée de 5 minutes réalisés à l’aide d’un cardiofréquencemètre
Polar RS800. Un enregistrement était effectué en respiration spontanée alors que les cinq
autres étaient réalisés en respiration contrôlée à des fréquences de 0,20 Hz, 0,175 Hz, 0,15 Hz,
0,125 Hz et 0,10 Hz. Les sessions était aléatoirement réparties pour une durée totale
d’expérimentation de 45 minutes. Les sujets ont été répartis en deux groupes : infSBF si leur
fréquence de respiration spontanée était inférieure à 0,15 Hz (n=7) et supSBF si elle était
supérieure à 0,15 Hz (n=8). Pour finir, chaque sujet devait remplir le questionnaire de fatigue
82 | P a g e
C. Contributions personnelles
83 | P a g e
C. Contributions personnelles
84 | P a g e
C. Contributions personnelles
85 | P a g e
C. Contributions personnelles
86 | P a g e
C. Contributions personnelles
87 | P a g e
C. Contributions personnelles
88 | P a g e
C. Contributions personnelles
89 | P a g e
C. Contributions personnelles
90 | P a g e
C. Contributions personnelles
Dans le contexte du suivi de l’état de forme des athlètes, de nombreux auteurs utilisent
les indices issus de l’étude de la variabilité de la fréquence cardiaque comme marqueurs de la
fatigue [92]. En effet, il a été démontré qu’une baisse de l’activité du système nerveux
autonome était généralement liée à un état de fatigue alors que, à l’inverse, une augmentation
était synonyme d’une meilleure aptitude à réaliser une performance [38]. Ainsi, certains
auteurs ne se basent plus sur les valeurs brutes de variabilité cardiaque mais s’intéressent
plutôt aux variations quotidiennes relatives (i.e. augmentation ou diminution d’un jour à
l’autre) pour déterminer le profil de forme actuel de l’athlète [121]. D’un point de vue
purement méthodologique, certaines études proposent aux sujets de réaliser des
enregistrements en respiration libre alors que d’autres préfèrent imposer aux sujets une
fréquence de respiration à suivre [122,154]. Or, en se basant sur les résultats de nos récents
travaux [200], il est justifié de se demander si, lors d’un suivi à long terme, chaque méthode
de respiration permet d’observer les même variations quotidiennes de variabilité cardiaque
(i.e. d’une manière relative).
Ainsi, notre travail méthodologique s’est basé sur l’étude de l’évolution des principaux
marqueurs de la variabilité cardiaque (SDNN, RMSSD, SD1, SD2, LF, HF, TP et LF/HF),
chez dix athlètes pendant une durée totale de 21 jours. Chaque matin, les sujets devaient
effectuer deux enregistrements consécutifs à l’aide d’un cardiofréquencemètre Sunnto T6d,
l’un d’eux étant réalisé en respiration libre et l’autre en respiration contrôlée.
D’une manière globale, lorsque l’on considère tous les enregistrements recueillis, il
existe une différence significative entre les valeurs brutes issues des mesures effectuées en
respiration libre comparativement à celles effectuées en respiration contrôlée et ce, pour la
totalité des marqueurs de la variabilité cardiaque inclus dans le protocole. Plus
91 | P a g e
C. Contributions personnelles
spécifiquement, lorsque l’on fait abstraction des valeurs brutes pour se concentrer uniquement
sur l’évolution relative de chaque indice, nous pouvons constater qu’il existe des corrélations
significatives entre les deux méthodes de respiration pour les marqueurs RMSSD et SD1
(R>0,70 ;p<0,05). A l’inverse, aucune relation n’a été trouvée pour les indices fréquentiels
HF et LF/HF avec des variations quotidiennes totalement indépendantes d’une méthode de
respiration à l’autre.
Dans un premier temps, cette étude nous a permis de confirmer les résultats des
travaux de plusieurs auteurs qui démontrent que la méthode de respiration influence
significativement les différents marqueurs de la variabilité cardiaque. Mais l’originalité de nos
travaux provient surtout de la notion du suivi à long terme qui, quelle que soit la méthode de
respiration choisie, ne s’intéresse pas à des comparaisons rationnelles des valeurs brutes mais
s’appuie plutôt sur l’évolution quotidienne de ces indices (i.e. de manière relative). Ainsi,
nous avons pu démontrer que, bien que les marqueurs ne fournissent pas les mêmes résultats
en respiration libre ou en respiration contrôlée sur un jour donné, dans le contexte d’un suivi
d’athlète, les indices RMSSD et SD1 suivent exactement les mêmes tendances (i.e.
augmentation ou réduction) d’un jour à l’autre quelle que soit la méthode de respiration
retenue. De plus, les résultats de cette étude démontrent une nouvelle fois, que les indices
fréquentiels sont totalement influencés par le type de respiration même dans le cas d’un suivi
à long terme ce qui, d’un point de vue méthodologique, n’avait encore jamais été démontré.
Ainsi, en accord avec de récentes études [121,191], nous pouvons conclure que dans le
cadre d’un suivi longitudinal de la fatigue, il est préférable de se concentrer sur l’évolution
des marqueurs RMSSD et SD1 qui reste inchangée quelle que soit la méthode de respiration
utilisée et qui semble fournir des résultats beaucoup plus pertinents en relation avec la fatigue
de l’athlète.
92 | P a g e
C. Contributions personnelles
93 | P a g e
C. Contributions personnelles
94 | P a g e
C. Contributions personnelles
95 | P a g e
C. Contributions personnelles
96 | P a g e
C. Contributions personnelles
97 | P a g e
C. Contributions personnelles
98 | P a g e
C. Contributions personnelles
99 | P a g e
C. Contributions personnelles
100 | P a g e
C. Contributions personnelles
101 | P a g e
C. Contributions personnelles
Pour ce faire, 11 athlètes d’un bon niveau (VMA = 18,9±1,2 km.h-1) ont effectué
aléatoirement 4 séances d’entraînement avec, pour chacune, une intensité (70% - 100%
VMA), une durée (41min – 69min) et un mode (continu - intermittent) différent. La charge
d’entraînement a été évaluée à l’aide des méthodes classiques de Foster et Banister mais
également par l’intermédiaire de 3 mesures de variabilité cardiaque d’une durée de 5 minutes
(Marqueur RMSSD). La première étant réalisée juste avant l’entraînement (Pre5) et les deux
102 | P a g e
C. Contributions personnelles
ܲ݁ݎͷ െ ܲݐݏͷ
ܶ ܸܴܪܮൌ ݈݊ ൬ܶ כ ൰
ܲ Ͳ͵ݐݏെ ܲݐݏͷ
Les résultats ont montré que les 4 séances ont provoqué une diminution significative
de l’activité du système nerveux autonome (Pre5>Post5). Les 30 minutes de récupération
ayant permis, pour tous les exercices, de faire remonter significativement le RMSSD
(Post5<Post30). La baisse de RMSSD induite par l’exercice était fortement corrélée à
l’intensité de ce dernier et non à sa durée (respectivement, R=-0.70;p<0.000001 et R=0.22;
p=0.15). De plus, de fortes similitudes ont été trouvées entre notre nouvelle formule
d’estimation de la charge d’entraînement et les deux autres méthodes (TLHRV vs. Foster
R=0.61;p=0.00001 TLHRV vs. Banister R=0.57; p=0.00006).
Ainsi, après avoir confirmé les résultats de précédentes études qui montraient que la
variabilité cardiaque post-exercice était liée à l’intensité de l’entraînement, nous avons
démontré que notre formule TLHRV reflétait fidèlement la charge d’entraînement globale
induite par l’exercice. Plus spécifiquement, la mesure Pre5 nous renseigne sur le niveau de
fatigue actuel de l’athlète [191]. La mesure Post5 puis la décroissance du RMSSD (Pre5-
Post5) reflète l’intensité de l’exercice [114]. De plus, il semblerait que la vitesse de
réactivation parasympathique post-exercice (Post30-Post5) soit un processus complexe
modulé par plusieurs paramètres comme la demande musculaire, cardiovasculaire,
métabolique et l’intensité de l’exercice mais également le niveau d’entraînement de l’athlète
[10,208]. Le fait d’intégrer au sein de notre formule les 3 mesures de variabilité cardiaque
sous forme d’un ratio permet de normaliser les valeurs pour atténuer les différences
interindividuelles. De plus, ce ratio synthétise les perturbations homéostatiques induites par
l’exercice (Pre5-Post5) et la capacité de récupération de l’individu face à ce stimulus (Post30-
Post5).
103 | P a g e
C. Contributions personnelles
104 | P a g e
C. Contributions personnelles
Quantification of training load: the use of heart rate variability in training practice
1
Center of Research and Innovation on Sport (CRIS EA647), University Claude Bernard
Lyon1, University of Lyon, France
2
Almerys, 46 rue du ressort, 63967 Clermont-Ferrand, France
3
ISSUL, University of Lausanne, Switzerland
Abstract:
Recent laboratory studies have suggested that heart rate variability (HRV) may be an
appropriate criterion for training load (TL) quantification. The aim of this study was to
validate a novel HRV index that may be used to assess TL in field conditions.
Eleven healthy male runners performed 4 exercises of different duration and intensity.
TL was evaluated using Foster and Banister methods. In addition, HRV measurements were
performed 5 minutes before exercise, and 5 and 30 minutes after exercise. We calculated
HRV index (TLHRV) based on the ratio between HRV decrease during exercise and HRV
increase during recovery.
HRV decrease during exercise was strongly correlated with exercise intensity (R=-
0.70;p<0.000001) but not with exercise duration (R=0.22; p=0.15). TLHRV index was
correlated with Foster (R=0.61;p=0.00001) and Banister (R=0.57;p=0.00006) methods.
This study confirms that HRV changes during exercise and recovery phase are
affected by both intensity and physiological impact of the exercise. Since the TLHRV formula
takes into account the disturbance and the return to homeostatic balance induced by exercise,
this new method provides an objective TL index which could be envisaged for field usefor the
long-term monitoring of fitness/fatigue status.
105 | P a g e
C. Contributions personnelles
Introduction
For twenty years, heart rate variability has been widely used as a noninvasive method
to estimate cardiac autonomic regulation, which may reflect the activity of the autonomic
nervous system (ANS) (Task-Force 1996). This indicator is sensitive to homeostatic
perturbations like fatigue, physiological and psychological stress (Aubert et al. 2003;
Chandola et al. 2010). After stimulus, ANS regulates homeostatic function of the body
(Aubert, Seps 2003; Buchheit et al. 2007) and therefore plays an important role in the
individual exercise training responses (Hautala et al. 2009; Vesterinen et al. 2011). More
specifically, it was shown that exercise induced parasympathetic withdrawal and sympathetic
excitation and that these effects were reversed during recovery phase (Buchheit, Laursen
2007; Goldberger et al. 2006).
Recent studies focused on the relationship between training content (e.g. intensity,
duration, etc.) and post-exercise HRV changes (Casties et al. 2006; Kaikkonen et al. 2011;
Seiler et al. 2007). It is now clearly established that intensity is related to immediate post-
exercise HRV (Buchheit, Laursen 2007; Kaikkonen, Hynynen 2010; Kaikkonen et al. 2008).
On the other hand, it has been shown that immediate post-exercise HRV was not affected by
106 | P a g e
C. Contributions personnelles
the increase of exercise duration up to twice the baseline (Kaikkonen, Hynynen 2010;
Kaikkonen et al. 2007; Seiler, Haugen 2007). Moreover, the time course of HRV markers
during recovery has been studied by several authors to quantify vagal reactivation after
exercise (Kaikkonen, Hynynen 2010; Kaikkonen, Hynynen 2011; Seiler, Haugen 2007).
Recent studies showed that training above the first ventilator threshold (VT1) intensity
delayed HRV recovery compared with training below VT1 (Seiler, Haugen 2007). Other
studies presented different post-exercise HRV kinetics between continuous and intermittent
running sessions (Kaikkonen, Rusko 2008). In summary, the duration for post-exercise HRV
to return to baseline values seems longer after exercise inducing a greater metabolic demand
(Buchheit, Laursen 2007; Martinmaki & Rusko 2008). Thereby, authors suggested that post-
exercise HRV may enable an objective TL evaluation (Kaikkonen, Hynynen 2010;
Kaikkonen, Hynynen 2011). However, most studies in line with post-exercise HRV recovery
and TL have been performed on subjects moderately trained, in laboratory conditions (i.e. on
treadmill or ergocycle) and during exercise protocols far removed from usual training sessions
(Kaikkonen, Hynynen 2010; Kaikkonen, Nummela 2007; Martinmaki & Rusko 2008). In
addition, to our knowledge, there exists no method or tool based on HRV measurements for
the evaluation of TL in field conditions (Kaikkonen, Hynynen 2011).
The aim of the present study was therefore to propose a new HRV-based method for
quantifying TL. This method was tested in highly trained athletes in field conditions during
their usual training sessions. Finally, this new method was compared to two previous methods
commonly used by coaches and athletes (i.e. Banister and Foster).
Methods
Subjects: Eleven well trained long-distance male runners were recruited from local
running teams. Subjects receiving medical treatment, or with asthma or cardiovascular
disorders, were excluded. The subjects, volunteers, gave written informed consent to
participate in this study. In addition, throughout the experiment, the subjects agreed not to
change their living routine including sleep duration, diet and professional occupation. Their
characteristics are presented in Table 1. The protocol was approved by the ethical committee
of Lyon Sud-Est II and was in accordance with the guidelines set by the Declaration of
Helsinki.
107 | P a g e
C. Contributions personnelles
Age (year) 32 ± 6
HR rest (bpm) 44 ± 4
Experimental Design: The total duration of the study was two weeks. Maximal aerobic
speed (MAS) was first measured in a preliminary session using a validated continuous
multiǦstage track test: the Université de Montréal track test (Leger & Boucher 1980). Resting
heart rate (HRrest) was measured with the subject in a sitting position before the MAS test. HR
was recorded during the test (Suunto T6d heart rate monitor, Suunto Oy, Finland) and the
maximal HR (5-s average) was considered to be the participant’s HRmax (Buchheit et al.
2009).
The subjects performed 4 different training sessions (TS) throughout the experiment.
Exercises were performed at the same time of day in a random order on 4 different days,
separated by at least 3 days. The subjects were asked to refrain from intense physical exercise
for 2 days and from alcohol and caffeine consumption for 1 day prior to any experimental
session.
108 | P a g e
C. Contributions personnelles
was chosen because it represents short-term HRV variability and especially vagal modulation
(Buchheit, Chivot 2009; Buchheit, Laursen 2007; Task-Force 1996). In addition, RMSSD has
strong reliability, particularly during free-running ambulatory conditions (Penttila et al. 2001;
Pitzalis et al. 1996). Consequently, this HRV marker is widely used in the field of exercise
physiology (Buchheit, Chivot 2009; Buchheit, Laursen 2007; Plews, Laursen in press). On the
contrary, the spectral HRV markers like LF, HF and LF/HF ratio are not relevant with well
trained athletes (Middleton & De Vito 2005; Saboul et al. in press; Saboul et al. in press).
Between Post5 and Post30 HRV measurements (i.e. recovery phase), subjects had to stay
seated in a quiet and comfortable environment [18.5-21]°C. They were allowed drinking
water but no food.
Training sessions:
The experimental TS were firstly designed to represent the usual training sessions
regularly undertaken during the season by these well trained athletes (Stepto et al. 1999) and
secondly to cover a representative range of track sessions in terms of intensity and duration.
Each session was performed on an athletic track for a similar duration for each subject. To
control exercise intensity, the speeds were individualized as a percentage of each athlete’s
MAS.
Training session 2 (S85%) consisted of a 20 min warm-up run followed by three 10-min
bouts at 85% of MAS with 3 min of passive recovery. The session ended with 10 minutes of
cool-down at low speed for a total training duration of 69 min (total volume = 4350a.u.).
Training session 3 (S95%) consisted of a 20 min warm-up run followed by eight 2-min
bouts at 95% of MAS with 1 min of active recovery at 60% of MAS. The session ended with
10 minutes of cool-down at low speed for a total training duration of 54 min (total volume =
3800a.u.).
109 | P a g e
C. Contributions personnelles
Training session 4 (S100%) consisted of a 25 min warm-up run followed by one bout of
6-min duration at 100% of MAS. The session ended with 10 minutes of cool-down at low
speed for a total training duration of 41 min (total volume = 2700a.u.).
Three methods were used in order to quantify the training load of each session. Firstly,
we used the HR recorded during exercise. Training impulse (TRIMP) was calculated
according to equation #1 (Banister, Good 1986).
Secondly, rating of perceived exertion (RPE, scale 0–10) was obtained 30 min after
the exercise and multiplied by the duration of the training session (min) according to Foster
method (Borresen & Lambert 2009; Foster 1998). Thirdly, we defined a new index (TLHRV)
for quantifying the TL from the change from pre- to post-exercise RMSSD. Figure 1
describes the calculation of this new TLHRV index. This equation was designed to reflect the
kinetics of HRV recovery with both the disturbance (i.e. Pre5-Post5) and the return to
homeostatic balance (i.e. Post30-Post5). The first part of the calculation was designed to take
into account training intensity through RMSSD decrease (Pre5- Post5) since previous results
demonstrated that HRV modifications were more sensitive to exercise intensity than exercise
duration (Kaikkonen, Nummela 2007). Moreover, post-exercise RMSSD increase was
included in the formula to evaluate exercise effects on homeostatic recovery and vagal
reactivation (Buchheit, Laursen 2007). We chose to assess the second measurement 30
minutes after the end of exercise: firstly, since previous results reported that 30 minutes of
HRV recovery is a “midpoint” and a good compromise to investigate recovery processes
(Kaikkonen, Nummela 2007; Kaikkonen, Rusko 2008; Seiler, Haugen 2007) and, secondly, in
110 | P a g e
C. Contributions personnelles
comparison with the Foster method that also uses feedback recorded after 30 minutes
(Borresen & Lambert 2009; Foster 1998). Finally, the method included a ratio between
RMSSD decrease and post-exercise increase which normalized HRV changes, lowering the
influence of day-to-day baseline HRV fluctuations linked to sleep, diet or stress. According to
the Banister and Foster methods, this ratio was also multiplied by the training session duration
(i.e. T). Finally, due to the skewed nature of HRV recordings, these data were log-transformed
by taking the natural logarithm (ln) (figure 1) (Buchheit, Chivot 2009; Plews, Laursen in
press).
Statistical analysis:
All values were expressed as means (±SD). The normality of data was tested with the
Shapiro-Wilk test. Data was not normally distributed. Thus, the Friedman test is used for one-
way repeated measures analysis of variance (ANOVA) in order (1) to examine the difference
111 | P a g e
C. Contributions personnelles
in HRV value (Pre-5 vs. Post-5 vs. Post-30) for each training session, (2) to compare the
difference between all sessions (S70%vs. S85%vs. S95%vs. S100%) at each HRV recovery time and
(3) to compare TL of all training sessions (TL-S70%vs. TL-S85%vs. TL-S95%vs. TL-S100%)
calculated with the three TL methods. Post-hoc analyses were performed with the Wilcoxon
signed rank test. Spearman’s correlation coefficient was used to study the relationships
between exercise intensity vs. normalized Post5 HRV values (i.e. relative to Pre5 HRV
values), total exercise volume vs. normalized Post5 HRV values and exercise duration vs.
normalized Post5 HRV values. In addition, Spearman’s correlation coefficient was used to
study the relationships between the three TL indexes (Foster vs. Banister vs. TLHRV).
Agreement between the 3 methods was examined by Bland and Altman plots. Since the 3
methods do not have the same unit, the individual TL calculated by each method was
expressed as a percentage of the total TL of the four training sessions in order to construct
Bland and Alman plots. For example, % TL-S70% = 100 x [TL-S70%/(TL-S70% + TL-S85% +
TL-S95% + TL-S100%)]. The differences between the measurements of TL performed with the 3
methods (expressed as a percentage) were devised in relation to the mean values; 95 % of the
differences were expected to lie between the two “limits of agreement” that were the mean
difference ± 1.96 SD of the differences, expressed as bias ± random error. In addition,
heteroscedasticity was tested. Because all data have been normalized (i.e. expressed as a
percentage), all bias of Bland and Altman plots are equal to zero. The data were analyzed
using StatSoft software (Statistica 7.1, StatSoft, Inc., USA) and the statistical significance was
set at p<0.05.
Results
The RMSSD values were significantly different between Pre5, Post5 and Post30
within each session (p<0.05). As shown in Table 2, Post5 RMSSD values were significantly
lower than Pre5 values in all sessions. Conversely, Post30 values were significantly greater
than at Post5.
RMSSD values between the four sessions were not significantly different (p=0.16) in
baseline (Pre5) where as they were significantly different in Post5 (p=0.0004) and Post30
(p=0.00006) (Table 2).
112 | P a g e
C. Contributions personnelles
TL of each session was evaluated by the 3 different methods. Results are presented in
figure 3 for Banister (top), Foster (middle) and TLHRV (bottom) methods. Banister’s method
revealed significant TL differences for all training sessions (TS) except between S70% and
S95%. Using Foster’s method, we observed significant differences for TL of all TS except
between S85% and S95%. Similarly, TLHRV provided significant differences for TL of all TS
except between S85% and S95% and between S70% and S100%. More generally, TLHRV and Foster
values were significantly correlated (R=0.61;p=0.00001). In addition, correlation between
113 | P a g e
C. Contributions personnelles
TLHRV and Banister values and between Foster and Banister values was also significant
(respectively: R=0.57;p=0.00006 and R=0.43;p=0.004).
The Bland and Altman plots presented in figure 4 showed that x-axis values of all
methods are heterogeneously distributed and the differences (i.e. y-axis values) are normally
distributed. In the middle graph (i.e. Foster vs. TLHRV), all the differences are comprised
between the 95% limits of agreement (mean ± 1.96xSD). In the top and bottom graphs (i.e.
Banister vs. TLHRV and Foster vs. Banister), only 1 point is not included between the 95%
limits of agreement (less than 5%). According to heteroscedasticity results, there is a positive
relationship between the means values and difference values of TLHRV vs. Foster methods
(R=0.45; p<0.01).
Figure 2:Linear regression between exercise intensity and normalized Post5 HRV values
114 | P a g e
C. Contributions personnelles
Discussion
The aim of the present study was to examine the relationship between TL and HRV
variations induced by aerobic exercise in field conditions on highly trained athletes. The
results of this work can be summarized by two main findings. Firstly, as reported by previous
studies in laboratory conditions, HRV decrease immediately after the exercise session
performed in field conditions is closely related to, and enables evaluation of, exercise
intensity. Secondly, the present TLHRV index can reflect the TL of aerobic exercise performed
in field conditions similarly to previous validated methods.
During all training sessions, from Pre5 to Post5, we observed a significant decrease in
RMSSD values. As observed by other authors, each exercise induced a disturbance of the
homeostatic balance with an alteration of autonomic cardiac control (Buchheit, Laursen 2007;
Goldberger, Le 2006). We did not find correlation between immediate post-exercise HRV and
exercise volume or between immediate post-exercise HRV and exercise durations. This
concurs with previous works which report that increases of exercise duration did not affect
immediate or acute HRV recovery (Kaikkonen, Nummela 2007; Seiler, Haugen 2007).
Conversely, whatever exercise type (i.e. continuous or intermittent), exercise intensity was the
main factor of the HRV decrease observed between baseline and immediate post-exercise
values (figure 2). As reported by several laboratory studies, Post5 HRV value may reflect the
blood lactate concentration and thus exercise intensity (Kaikkonen, Hynynen 2010;
Kaikkonen, Hynynen 2011; Seiler, Haugen 2007). Thus, HRV measurement performed
immediately after exercise seems to be a relevant and objective tool to assess training
intensity in field conditions.
115 | P a g e
C. Contributions personnelles
Between Post5 and Post30 (acute recovery phase), the significant RMSSD increase
observed in all four training sessions may be explained by a reduction in cardiac sympathetic
activity with a simultaneous increase in vagal nerve activation (Buchheit, Laursen 2007;
Goldberger, Le 2006; Kaikkonen, Hynynen 2010). Despite the fact that Post5 was strongly
linked to exercise intensity, it seems that RMSSD reactivation reflects the individual subject
training response in relation to the specificities and contents of the exercise performed
(Kaikkonen, Hynynen 2011; Seiler, Haugen 2007). Indeed, Post30 in S100% did not present
significant difference with Post30 in S85% while it was significantly lower in Post5. In
addition, Post30 in S100% was significantly greater than Post30 in S95%. These results suggest
that the reactivation of vagal modulation is a complex process and does not depend on
exercise intensity and blood lactate concentration. These findings are in accordance with
recent study who reported significant differences between Post30 HRV values of two training
sessions performed at the same intensity (85% of MAS) but with different methods
(continuous vs. intermittent) (Kaikkonen, Rusko 2008). Finally, the post-exercise RMSSD
increase (i.e. from Post5 to Post30) can be delayed depending on several parameters, such as
intensity, muscular, cardiovascular and metabolic demands of exercise, as well as the fatigue
status or even the training level of the subject (Aubert, Seps 2003; Kaikkonen, Hynynen 2011;
Seiler, Haugen 2007).
TLHRV calculation
Several parameters have to be taken into account when assessing TL (Borresen &
Lambert 2009). As described above, the different information provided by the RMSSD
measures appears to be closely related to the nature of the exercise. Therefore, we propose a
new TLHRV formula (Equation in figure 1) that includes pre- and post-exercise HRV data. The
interest of this method is to take into account three relevant measurements: (1) Pre5 data
which is modulated by current fitness/fatigue status of athlete (i.e. day-to-day HRV variation)
(Kiviniemi et al. 2010; Plews, Laursen in press), (2) Post5 data which is strongly linked to
exercise intensity (Kaikkonen, Hynynen 2010; Seiler, Haugen 2007) and (3) Post30 data
which potentially reflects the acute athlete’s recovery ability (Seiler, Haugen 2007).
Interestingly, none of these 3 measurements taken individually is correlated with either
Banister or Foster TL. This suggests that the inclusion of the 3 measures is important for the
117 | P a g e
C. Contributions personnelles
validity of TLHRV. The ratio between RMSSD decrease and post-exercise RMSSD increase
provides normalized values with respect to inter-individual differences.
As shown in figure 3, the new TLHRV provided TL repartition between the 4 TS similar
to the two other methods. This visual observation is corroborated with the significant
correlations obtained between TLHRV indices and the 2 other methods. However, Bland and
Altman plots (figure 4) showed that the 3 methods have assessed different training impacts for
each training session. For example, Foster underestimated S70% compared to TLHRV and
Banister methods whereas Banister underestimated S100% compared to TLHRV and Foster
methods. These findings can be explained by the characteristics of each method. Indeed,
TRIMP may underestimate the energetic and sympathetic stress of short high-intensity bouts
(especially interval training) (Borresen & Lambert 2009; Seiler & Kjerland 2006) as
demonstrated by the similar TL given for S70% and S95%. Indeed, these 2 sessions expressed
the same TRIMP since they have the same duration and HR means (Borresen & Lambert
2009; Lucia et al. 1998) whereas it is obvious that S95% had a higher physiological impact than
S70% as reported by TLHRV and RPE. Using RPE scale, athletes may evaluate only the
difficulty of the body of the session while the Foster method takes into account the total
duration of the training session (including warm-up and cool-down at lower intensities). This
may lead to an overestimation of high-intensity training sessions assessed by Foster (Borresen
& Lambert 2008; Borresen & Lambert 2009). In addition, because the Foster method is
subjective, it is also possible that athletes may change their choice according to the coach’s
expectations (Borresen & Lambert 2009; Foster et al. 2001). Conversely, TLHRV was built to
assess training load with objective parameters like current fitness/fatigue status (Pre5) (Plews,
Laursen in press), exercise intensity (Post5) (Kaikkonen, Hynynen 2010) and acute athlete’s
recovery ability (Post30) (Seiler, Haugen 2007). The fact that TLHRV does not discriminate
S70% vs. S100% and S85% vs. S95% suggested that, despite different content, the results of the
homeostatic perturbations induced by these training sessions may be similar. Indeed, training
load is modulated by both intensity and duration of exercise and despite different content
(high intensity/short time or low intensity/long time), training load of these sessions may be
identical.
118 | P a g e
C. Contributions personnelles
119 | P a g e
C. Contributions personnelles
Conclusion
The main purpose of the present study was to define a new method for quantifying TL
by using pre- and post-exercise RMSSD measurements in field conditions. TLHRV provided
objective information about the actual intensity of the exercise but also on the training load in
line with the two main validated methods (i.e., Foster and Banister). It is also the first study to
provide HRV tools (i.e. with formula that provide numeric data) in relation to training load.
Perspectives
We should acknowledge that TLHRV method is more complex than the Foster method.
Consequently, future studies should shorten the protocol to obtain a more simple method for
daily monitoring. In this context, the linearity of the post-HRV reactivation observed during
the first hour may justify a post-exercise recording reduced to 10 minutes (Casties, Mottet
2006). In addition, the TLHRV will have to be validated on a larger range of training
modalities(e.g. resistance training that may also be assessed by post-HRV measurements
(Chen et al. in press)). From a practical point of view, this new TLHRV marker may also be
used by elite athletes during routine training sessions (performed at the end of each month or
training cycle) to objectively and simply measure their current fitness/fatigue status. Indeed,
recent studies have shown that elite athletes have a faster parasympathetic reactivation than
moderately trained athletes (Seiler, Haugen 2007). We can assume that TLHRV measurement
performed regularly with exactly the same training session conditions may provide
information on the current fitness level of an athlete. In this sense, future investigations will
be conducted to verify this relation.
120 | P a g e
C. Contributions personnelles
References
Aubert AE, Seps B, Beckers F. Heart rate variability in athletes. Sports Med. 2003: 33: 889-919.
Banister EW, Good P, Holman G, Hamilton C. Modeling the training response in athletes. The 1984
Olympic Scientific Congress Proceedings sport and elite performers. Champaign, IL: Human Kinetics,
1986:7-23.
Borresen J, Lambert MI. Quantifying training load: a comparison of subjective and objective methods.
Int J Sports Physiol Perform. 2008: 3: 16-30.
Borresen J, Lambert MI. The quantification of training load, the training response and the effect on
performance. Sports Med. 2009: 39: 779-795.
Buchheit M, Chivot A, Parouty J, Mercier D, Al Haddad H, Laursen PB, Ahmaidi S. Monitoring
endurance running performance using cardiac parasympathetic function. Eur J Appl Physiol. 2009:
108: 1153-1167.
Buchheit M, Laursen PB, Ahmaidi S. Parasympathetic reactivation after repeated sprint exercise. Am J
Physiol Heart Circ Physiol. 2007: 293: H133-141.
Casties JF, Mottet D, Le Gallais D. Non-linear analyses of heart rate variability during heavy exercise
and recovery in cyclists. Int J Sports Med. 2006: 27: 780-785.
Chandola T, Heraclides A, Kumari M. Psychophysiological biomarkers of workplace stressors.
Neurosci Biobehav Rev. 2010: 35: 51-57.
Chen JL, Yeh DP, Lee JP, Chen CY, Huang CY, Lee SD, Chen CC, Kuo TB, Kao CL, Kuo CH.
Parasympathetic nervous activity mirrors recovery status in weightlifting performance after training.
J Strength Cond Res. in press: 25: 1546-1552.
Foster C. Monitoring training in athletes with reference to overtraining syndrome. Med Sci Sports
Exerc. 1998: 30: 1164-1168.
Foster C, Heimann K, Esten P, Brice G, Porcari J. Differences in perceptions of training by coaches and
athletes. South African Journal of Sports Medicine. 2001: 8: 3-7.
Goldberger JJ, Le FK, Lahiri M, Kannankeril PJ, Ng J, Kadish AH. Assessment of parasympathetic
reactivation after exercise. Am J Physiol Heart Circ Physiol. 2006: 290: H2446-2452.
Hautala AJ, Kiviniemi AM, Tulppo MP. Individual responses to aerobic exercise: the role of the
autonomic nervous system. Neurosci Biobehav Rev. 2009: 33: 107-115.
Hellard P, Avalos M, Lacoste L, Barale F, Chatard JC, Millet GP. Assessing the limitations of the
Banister model in monitoring training. J Sports Sci. 2006: 24: 509-520.
Hopkins WG. Quantification of training in competitive sports. Methods and applications. Sports Med.
1991: 12: 161-183.
Kaikkonen P, Hynynen E, Mann T, Rusko H, Nummela A. Can HRV be used to evaluate training load in
constant load exercises? Eur J Appl Physiol. 2010: 108: 435-442.
Kaikkonen P, Hynynen E, Mann T, Rusko H, Nummela A. Heart rate variability is related to training
load variables in interval running exercises. Eur J Appl Physiol. 2011: 112: 829-838.
Kaikkonen P, Nummela A, Rusko H. Heart rate variability dynamics during early recovery after
different endurance exercises. Eur J Appl Physiol. 2007: 102: 79-86.
Kaikkonen P, Rusko H, Martinmaki K. Post-exercise heart rate variability of endurance athletes after
different high-intensity exercise interventions. Scand J Med Sci Sports. 2008: 18: 511-519.
Karvonen J, Vuorimaa T. Heart rate and exercise intensity during sports activities. Practical
application. Sports Med. 1988: 5: 303-311.
Kiviniemi AM, Hautala AJ, Kinnunen H, Nissila J, Virtanen P, Karjalainen J, Tulppo MP. Daily exercise
prescription on the basis of HR variability among men and women. Med Sci Sports Exerc. 2010: 42:
1355-1363.
Leger L, Boucher R. An indirect continuous running multistage field test: the Universite de Montreal
track test. Can J Appl Sport Sci. 1980: 5: 77-84.
Lucia A, Pardo J, Durantez A, Hoyos J, Chicharro JL. Physiological differences between professional
and elite road cyclists. Int J Sports Med. 1998: 19: 342-348.
121 | P a g e
C. Contributions personnelles
Martinmaki K, Rusko H. Time-frequency analysis of heart rate variability during immediate recovery
from low and high intensity exercise. Eur J Appl Physiol. 2008: 102: 353-360.
Middleton N, De Vito G. Cardiovascular autonomic control in endurance-trained and sedentary young
women. Clin Physiol Funct Imaging. 2005: 25: 83-89.
Penttila J, Helminen A, Jartti T, Kuusela T, Huikuri HV, Tulppo MP, Coffeng R, Scheinin H. Time
domain, geometrical and frequency domain analysis of cardiac vagal outflow: effects of various
respiratory patterns. Clin Physiol. 2001: 21: 365-376.
Pitzalis MV, Mastropasqua F, Massari F, Forleo C, Di Maggio M, Passantino A, Colombo R, Di Biase M,
Rizzon P. Short- and long-term reproducibility of time and frequency domain heart rate variability
measurements in normal subjects. Cardiovasc Res. 1996: 32: 226-233.
Plews DJ, Laursen PB, Kilding AE, Buchheit M. Heart rate variability in elite triathletes, is variation in
variability the key to effective training? A case comparison. Eur J Appl Physiol. in press.
Saboul D, Pialoux V, Hautier C. The breathing effect of the LF/HF ratio in the heart rate variability
measurements of athletes. European Journal of Sport Science. in press: 1-7.
Saboul D, Pialoux V, Hautier C. The impact of breathing on HRV measurements: implications for the
longitudinal follow-up of athletes. European Journal of Sport Science. in press.
Seiler KS, Kjerland GO. Quantifying training intensity distribution in elite endurance athletes: is there
evidence for an "optimal" distribution? Scand J Med Sci Sports. 2006: 16: 49-56.
Seiler S, Haugen O, Kuffel E. Autonomic recovery after exercise in trained athletes: intensity and
duration effects. Med Sci Sports Exerc. 2007: 39: 1366-1373.
Shephard RJ. Limits to the measurement of habitual physical activity by questionnaires. Br J Sports
Med. 2003: 37: 197-206;.
Stepto NK, Hawley JA, Dennis SC, Hopkins WG. Effects of different interval-training programs on
cycling time-trial performance. Med Sci Sports Exerc. 1999: 31: 736-741.
Task-Force. Heart rate variability. Standards of measurement, physiological interpretation, and
clinical use. Task Force of the European Society of Cardiology and the North American Society of
Pacing and Electrophysiology. Eur Heart J. 1996: 17: 354-381.
Vesterinen V, Hakkinen K, Hynynen E, Mikkola J, Hokka L, Nummela A. Heart rate variability in
prediction of individual adaptation to endurance training in recreational endurance runners. Scand J
Med Sci Sports. 2011.
Weippert M, Kumar M, Kreuzfeld S, Arndt D, Rieger A, Stoll R. Comparison of three mobile devices for
measuring R-R intervals and heart rate variability: Polar S810i, Suunto t6 and an ambulatory ECG
system. Eur J Appl Physiol. 2010: 109: 779-786.
122 | P a g e
D. Conclusion
générale et
perspectives
123 | P a g e
D. Conclusion générale et perspectives
1. Conclusion générale
Dans un premier temps, ce travail de thèse a été consacré à l’étude des méthodes
d’analyse de la variabilité de la fréquence cardiaque. En effet, face à la pluralité
méthodologique et aux nombreuses controverses qui entourent le sujet, il nous semblait
intéressant de comparer différents protocoles d’analyse et de discuter la validité des
marqueurs qui en découlent.
Plus spécifiquement, notre première étude s’est intéressée au marqueur LF/HF mesuré
dans des conditions et fréquences de respirations différentes. Nous avons pu démontrer que,
chez les athlètes, ce ratio reflète avant tout la fréquence de respiration du sujet au cours de
l’enregistrement et ce, quelle que soit la méthode de respiration adoptée (i.e libre ou
contrôlée). En effet, nos résultats prouvent qu’une forte arythmie sinusale respiratoire
provoque une concentration de l’énergie spectrale autour de la fréquence de respiration de
l’individu. Il en résulte que le ratio LF/HF, et plus largement les bandes de fréquences LF et
HF, sont avant tout modulés par des aspects mécaniques liés à la fréquence de respiration
plutôt que par l’état de fatigue de l’athlète. Très concrètement, nous suggérons aux entraîneurs
d’éviter d’utiliser le ratio LF/HF pour évaluer l’état de fatigue d’un athlète et, par-dessus tout,
nous leur conseillons d’interpréter une valeur supérieure à 4 avec la plus grande prudence
puisque plutôt que de refléter l’apparition d’un état de surentraînement, elle peut tout
simplement témoigner d’une diminution de la fréquence de respiration et d’une augmentation
de l’arythmie sinusale respiratoire synonyme de bonne adaptation à l’entraînement en
endurance.
Dans la continuité de notre démarche initiale, au sein de notre seconde étude, nous
avons tenté d’explorer l’évolution des principaux marqueurs de la variabilité cardiaque en
fonction de la méthode de respiration du sujet dans le cadre d’un suivi à long terme de
sportifs. Une nouvelle fois, nous avons montré que la méthode de respiration impactait
considérablement chacun des indices de la variabilité cardiaque. Mais nous retiendrons que
les principaux résultats de cette étude ont révélé qu’il existe une relation significative entre
l’évolution quotidienne des marqueurs RMSSD et SD1 enregistrés en respiration libre et en
respiration contrôlée ce qui n’est pas du tout le cas avec les indices spectraux de la variabilité
cardiaque. D’une part, ces données ont confirmé les résultats de notre première étude et
d’autre part, elles nous ont encouragés à poursuivre nos investigations sur le lien entre la
124 | P a g e
D. Conclusion générale et perspectives
variabilité cardiaque et la fatigue uniquement avec les marqueurs RMSSD ou SD1 qui
semblent beaucoup plus fiables dans le cadre d’un suivi à long terme chez les athlètes. En
effet, bien que nos résultats viennent contredire les conclusions de nombreux travaux, il
semblerait que les spécificités physiologiques des athlètes ne permettent pas d’utiliser les
marqueurs fréquentiels de la variabilité cardiaque dans cette population. Plus largement, la
détermination d’une frontière commune et fixe pour séparer les basses fréquences des hautes
fréquences semble, à notre sens, aller à l’encontre de notre problématique initiale qui est
l’individualisation de l’entraînement. A l’inverse, nos résultats méthodologiques couplés aux
résultats de récentes études démontrent que l’utilisation du RMSSD ou du SD1 (i.e. ces deux
marqueurs étant parfaitement corrélés [87]) peut refléter l’état de forme actuel d’un athlète et
ainsi permettre à l’entraîneur d’adapter et d’individualiser la charge d’entraînement en
fonction de son niveau de fatigue et des objectifs à venir [121,191].
Pour finir, la troisième étude était orientée vers une thématique plus appliquée qui
concernait l’utilisation de la variabilité de la fréquence cardiaque dans le contexte de la
quantification des charges d’entraînement. Dans un premier temps, nous avons pu confirmer
que la décroissance de l’activité du système nerveux autonome mesurée entre le début et la fin
d’un exercice était étroitement liée à l’intensité de l’exercice. De plus, nous avons démontré
que notre nouvelle formule de calcul des charges d’entraînement basée sur des mesures de la
variabilité de la fréquence cardiaque (i.e. TLHRV) reflétait fidèlement la charge d’entraînement
d’exercices aux contenus très hétérogènes réalisés dans des conditions de terrain. Bien qu’une
telle méthode reste lourde à mettre en place dans le cadre d’une utilisation quotidienne, nous
proposons aux entraîneurs de l’utiliser à la fin d’un cycle d’entraînement (ou en fin de mois)
pour suivre l’évolution de l’adaptation de l’activité du système nerveux autonome à une
séance étalon prédéfinie et reproductible.
Plus globalement, ce travail de thèse peut être considéré comme la contribution, d’une
part à l’établissement d’un consensus sur la méthodologie de traitement de la variabilité
cardiaque dans le cadre d’un suivi de l’état de forme d’un athlète et, d’autre part à une
meilleure compréhension de l’interaction entre un entraînement aigu et l’activité du système
nerveux autonome. Néanmoins, un certain nombre de questions restent posées, conduisant
ainsi à différentes perspectives d’investigation.
125 | P a g e
D. Conclusion générale et perspectives
2. Perceptives
126 | P a g e
D. Conclusion générale et perspectives
127 | P a g e
E. Références
bibliographiques
128 | P a g e
E. Bibliographiques
1. Agelink MW, Boz C, Ullrich H, Andrich J. Relationship between major depression and heart
rate variability. Clinical consequences and implications for antidepressive treatment.
Psychiatry Res 2002; 113: 139-149
2. Ako M, Kawara T, Uchida S, Miyazaki S, Nishihara K, Mukai J, Hirao K, Ako J, Okubo Y.
Correlation between electroencephalography and heart rate variability during sleep.
Psychiatry Clin Neurosci 2003; 57: 59-65
3. Akselrod S. Spectral analysis of fluctuations in cardiovascular parameters: a quantitative tool
for the investigation of autonomic control. Trends Pharmacol Sci 1988; 9: 6-9
4. Akselrod S, Gordon D, Ubel FA, Shannon DC, Berger AC, Cohen RJ. Power spectrum analysis
of heart rate fluctuation: a quantitative probe of beat-to-beat cardiovascular control. Science
1981; 213: 220-222
5. Ambarish V, Barde P, Vyas A, Deepak KK. Comparison between pre-prandial and post-
prandial heart rate variability (HRV). Indian J Physiol Pharmacol 2005; 49: 436-442
6. Amine Y. Évaluation du système nerveux autonome dans l’hypertension artérielle essentielle.
Montréal Faculté de Médecine de l'Hôpital du Sacré-Coeur de Montréal; 2009: 170
7. Arai Y, Saul JP, Albrecht P, Hartley LH, Lilly LS, Cohen RJ, Colucci WS. Modulation of cardiac
autonomic activity during and immediately after exercise. Am J Physiol 1989; 256: H132-141
8. Astrand I. Aerobic work capacity in men and women with special reference to age. Acta
Physiol Scand Suppl 1960; 49: 1-92
9. Aubert AE, Beckers F, Ramaekers D. Short-term heart rate variability in young athletes. J
Cardiol 2001; 37 Suppl 1: 85-88
10. Aubert AE, Seps B, Beckers F. Heart rate variability in athletes. Sports Med 2003; 33: 889-919
11. Banister EW, Calvert TW. Planning for future performance: implications for long term
training. Can J Appl Sport Sci 1980; 5: 170-176
12. Banister EW, Carter JB, Zarkadas PC. Training theory and taper: validation in triathlon
athletes. Eur J Appl Physiol Occup Physiol 1999; 79: 182-191
13. Baumert M, Brechtel L, Lock J, Hermsdorf M, Wolff R, Baier V, Voss A. Heart rate variability,
blood pressure variability, and baroreflex sensitivity in overtrained athletes. Clin J Sport Med
2006; 16: 412-417
14. Beckers F, Ramaekers D, Aubert AE. Approximate Entropy of Heart Rate Variability:
Validation of Methods and Application in Heart Failure. Cardiovascular Engineering: An
International Journal 2001; 1: 177-182
15. Ben Lamine S, Calabrese P, Perrault H, Dinh TP, Eberhard A, Benchetrit G. Individual
differences in respiratory sinus arrhythmia. Am J Physiol Heart Circ Physiol 2004; 286: H2305-
2312
16. Berger RD, Saul JP, Cohen RJ. Transfer function analysis of autonomic regulation. I. Canine
atrial rate response. Am J Physiol 1989; 256: H142-152
17. Bernardi L, Porta C, Gabutti A, Spicuzza L, Sleight P. Modulatory effects of respiration. Auton
Neurosci 2001; 90: 47-56
18. Bernardi L, Porta C, Sleight P. Cardiovascular, cerebrovascular, and respiratory changes
induced by different types of music in musicians and non-musicians: the importance of
silence. Heart 2006; 92: 445-452
19. Bernardi L, Wdowczyk-Szulc J, Valenti C, Castoldi S, Passino C, Spadacini G, Sleight P. Effects
of controlled breathing, mental activity and mental stress with or without verbalization on
heart rate variability. J Am Coll Cardiol 2000; 35: 1462-1469
20. Berntson GG, Bigger JT, Jr., Eckberg DL, Grossman P, Kaufmann PG, Malik M, Nagaraja HN,
Porges SW, Saul JP, Stone PH, van der Molen MW. Heart rate variability: origins, methods,
and interpretive caveats. Psychophysiology 1997; 34: 623-648
129 | P a g e
E. Bibliographiques
21. Berntson GG, Cacioppo JT, Quigley KS. Respiratory sinus arrhythmia: autonomic origins,
physiological mechanisms, and psychophysiological implications. Psychophysiology 1993; 30:
183-196
22. Billat V ed. Physiologie et méthodologie de l'entraînement : De la théorie à la pratique: De
Boeck; 2003
23. Bogaert C, Beckers F, Ramaekers D, Aubert AE. Analysis of heart rate variability with
correlation dimension method in a normal population and in heart transplant patients. Auton
Neurosci 2001; 90: 142-147
24. Borresen J, Lambert MI. The quantification of training load, the training response and the
effect on performance. Sports Med 2009; 39: 779-795
25. Bosquet L. Le surentraînement dans les activités physiques de longue durée : Etude de
plusieurs marqueurs physiologiques. Poitiers Université de Poitiers; 2000: 127
26. Bosquet L, Merkari S, Arvisais D, Aubert AE. Is heart rate a convenient tool to monitor over-
reaching? A systematic review of the literature. Br J Sports Med 2008; 42: 709-714
27. Bosquet L, Papelier Y, Leger L, Legros P. Night heart rate variability during overtraining in
male endurance athletes. J Sports Med Phys Fitness 2003; 43: 506-512
28. Bouchard C, Rankinen T. Individual differences in response to regular physical activity. Med
Sci Sports Exerc 2001; 33: S446-451; discussion S452-443
29. Boutcher SH, Stein P. Association between heart rate variability and training response in
sedentary middle-aged men. Eur J Appl Physiol Occup Physiol 1995; 70: 75-80
30. Brainard GC, Hanifin JP, Greeson JM, Byrne B, Glickman G, Gerner E, Rollag MD. Action
spectrum for melatonin regulation in humans: evidence for a novel circadian photoreceptor.
J Neurosci 2001; 21: 6405-6412
31. Brandenberger G, Buchheit M, Ehrhart J, Simon C, Piquard F. Is slow wave sleep an
appropriate recording condition for heart rate variability analysis? Auton Neurosci 2005; 121:
81-86
32. Brennan M, Palaniswami M, Kamen P. Do existing measures of Poincare plot geometry
reflect nonlinear features of heart rate variability? IEEE Trans Biomed Eng 2001; 48: 1342-
1347
33. Brenner IK, Thomas S, Shephard RJ. Spectral analysis of heart rate variability during heat
exposure and repeated exercise. Eur J Appl Physiol Occup Physiol 1997; 76: 145-156
34. Bricout VA, Dechenaud S, Favre-Juvin A. Analyses of heart rate variability in young soccer
players: the effects of sport activity. Auton Neurosci 2010; 154: 112-116
35. Brown TE, Beightol LA, Koh J, Eckberg DL. Important influence of respiration on human R-R
interval power spectra is largely ignored. J Appl Physiol 1993; 75: 2310-2317
36. Bruce-Low SS, Cotterrell D, Jones GE. Heart rate variability during high ambient heat
exposure. Aviat Space Environ Med 2006; 77: 915-920
37. Buchheit M, Al Haddad H, Laursen PB, Ahmaidi S. Effect of body posture on postexercise
parasympathetic reactivation in men. Exp Physiol 2009; 94: 795-804
38. Buchheit M, Chivot A, Parouty J, Mercier D, Al Haddad H, Laursen PB, Ahmaidi S. Monitoring
endurance running performance using cardiac parasympathetic function. Eur J Appl Physiol
2009; 108: 1153-1167
39. Buchheit M, Gindre C. Cardiac parasympathetic regulation: respective associations with
cardiorespiratory fitness and training load. Am J Physiol Heart Circ Physiol 2006; 291: H451-
458
40. Buchheit M, Laursen PB, Ahmaidi S. Parasympathetic reactivation after repeated sprint
exercise. Am J Physiol Heart Circ Physiol 2007; 293: H133-141
41. Buchheit M, Simon C, Piquard F, Ehrhart J, Brandenberger G. Effects of increased training
load on vagal-related indexes of heart rate variability: a novel sleep approach. Am J Physiol
Heart Circ Physiol 2004; 287: H2813-2818
42. Busso T, Benoit H, Bonnefoy R, Feasson L, Lacour JR. Effects of training frequency on the
dynamics of performance response to a single training bout. J Appl Physiol 2002; 92: 572-580
130 | P a g e
E. Bibliographiques
43. Busso T, Denis C, Bonnefoy R, Geyssant A, Lacour JR. Modeling of adaptations to physical
training by using a recursive least squares algorithm. J Appl Physiol 1997; 82: 1685-1693
44. Busso T, Hakkinen K, Pakarinen A, Carasso C, Lacour JR, Komi PV, Kauhanen H. A systems
model of training responses and its relationship to hormonal responses in elite weight-lifters.
Eur J Appl Physiol Occup Physiol 1990; 61: 48-54
45. Campbell NA, Reece JB. Biologie. 6 ed: De Boeck; 2004
46. Carter JB, Banister EW, Blaber AP. The effect of age and gender on heart rate variability after
endurance training. Med Sci Sports Exerc 2003; 35: 1333-1340
47. Carter R, Cheuvront S, Wray D, Kolka M, Stephenson L, Sawka M. The influence of hydration
status on heart rate variability after exercise heat stress. Journal of Thermal Biology 2005; 30:
495-502
48. Casties JF, Mottet D, Le Gallais D. Non-linear analyses of heart rate variability during heavy
exercise and recovery in cyclists. Int J Sports Med 2006; 27: 780-785
49. Cervantes Blasquez JC, Rodas Font G, Capdevila Ortis L. Heart-rate variability and
precompetitive anxiety in swimmers. Psicothema 2009; 21: 531-536
50. Chalencon S, Busso T, Lacour JR, Garet M, Pichot V, Connes P, Gabel CP, Roche F, Barthelemy
JC. A model for the training effects in swimming demonstrates a strong relationship between
parasympathetic activity, performance and index of fatigue. PLoS One 2012; 7: e52636
51. Chatard JC ed. Lutter contre le dopage en gérant la récupération physique. St Etienne; 2003
52. Chen JL, Yeh DP, Lee JP, Chen CY, Huang CY, Lee SD, Chen CC, Kuo TB, Kao CL, Kuo CH.
Parasympathetic nervous activity mirrors recovery status in weightlifting performance after
training. J Strength Cond Res in press; 25: 1546-1552
53. Cheung SS, McLellan TM. Heat acclimation, aerobic fitness, and hydration effects on
tolerance during uncompensable heat stress. J Appl Physiol 1998; 84: 1731-1739
54. Choi CJ, Kim KS, Kim CM, Kim SH, Choi WS. Reactivity of heart rate variability after exposure
to colored lights in healthy adults with symptoms of anxiety and depression. Int J
Psychophysiol 2010; 79: 83-88
55. Cohen A. Coeur et médecine interne: Estem; 2002
56. Collet C, Guillot A. Autonomic nervous system activities during imagined movements. In:
Guillot A, Collet C eds, The Neurophysiological Foundations of Mental and Motor Imagery.
New York: Oxford University Press; 2010: 95-108
57. Collet C, Guillot A, Lebon F, MacIntyre T, Moran A. Measuring motor imagery using
psychometric, behavioral, and psychophysiological tools. Exerc Sport Sci Rev 2011; 39: 85-92
58. Collet C, Roure R, Delhomme G, Dittmar A, Rada H, Vernet-Maury E. Autonomic nervous
system responses as performance indicators among volleyball players. Eur J Appl Physiol
Occup Physiol 1999; 80: 41-51
59. Collet C, Vernet-Maury E, Delhomme G, Dittmar A. Autonomic nervous system response
patterns specificity to basic emotions. J Auton Nerv Syst 1997; 62: 45-57
60. Constant I. Le système nerveux autonome revisité. Conférences d'actualisation 2006: 51-72
61. Cooke WH, Hoag JB, Crossman AA, Kuusela TA, Tahvanainen KU, Eckberg DL. Human
responses to upright tilt: a window on central autonomic integration. J Physiol 1999; 517 ( Pt
2): 617-628
62. Cottin F, Lepretre PM, Lopes P, Papelier Y, Medigue C, Billat V. Assessment of ventilatory
thresholds from heart rate variability in well-trained subjects during cycling. Int J Sports Med
2006; 27: 959-967
63. Cottin F, Papelier Y, Escourrou P. Effects of exercise load and breathing frequency on heart
rate and blood pressure variability during dynamic exercise. Int J Sports Med 1999; 20: 232-
238
64. Cottin F, Slawinski J, Lopes P, Van de Louw A, Billat V. Effect of a 24-h continuous walking
race on cardiac autonomic control. Eur J Appl Physiol 2007; 99: 245-250
131 | P a g e
E. Bibliographiques
65. Cox HS, Kaye DM, Thompson JM, Turner AG, Jennings GL, Itsiopoulos C, Esler MD. Regional
sympathetic nervous activation after a large meal in humans. Clin Sci (Lond) 1995; 89: 145-
154
66. De Meersman RE. Respiratory sinus arrhythmia alteration following training in endurance
athletes. Eur J Appl Physiol Occup Physiol 1992; 64: 434-436
67. De Meersman RE. Heart rate variability and aerobic fitness. Am Heart J 1993; 125: 726-731
68. Eckberg DL. Sympathovagal balance: a critical appraisal. Circulation 1997; 96: 3224-3232
69. Eckberg DL. The human respiratory gate. J Physiol 2003; 548: 339-352
70. Ellis RJ, Thayer JF. Music and Autonomic Nervous System (Dys)function. Music Percept 2010;
27: 317-326
71. Fagius J, Berne C. Increase in muscle nerve sympathetic activity in humans after food intake.
Clin Sci (Lond) 1994; 86: 159-167
72. Ferri R, Parrino L, Smerieri A, Terzano MG, Elia M, Musumeci SA, Pettinato S. Cyclic
alternating pattern and spectral analysis of heart rate variability during normal sleep. J Sleep
Res 2000; 9: 13-18
73. Filaire E, Bernain X, Sagnol M, Lac G. Preliminary results on mood state, salivary
testosterone:cortisol ratio and team performance in a professional soccer team. Eur J Appl
Physiol 2001; 86: 179-184
74. Foster C. Monitoring training in athletes with reference to overtraining syndrome. Med Sci
Sports Exerc 1998; 30: 1164-1168
75. Foster C, Florhaug JA, Franklin J, Gottschall L, Hrovatin LA, Parker S, Doleshal P, Dodge C. A
new approach to monitoring exercise training. J Strength Cond Res 2001; 15: 109-115
76. Foster C, Heimann K, Esten P, Brice G, Porcari J. Differences in perceptions of training by
coaches and athletes. South African Journal of Sports Medicine 2001; 8: 3-7
77. Fry RW, Morton AR, Keast D. Overtraining in athletes. An update. Sports Med 1991; 12: 32-65
78. Furlan R, Piazza S, Dell'Orto S, Gentile E, Cerutti S, Pagani M, Malliani A. Early and late effects
of exercise and athletic training on neural mechanisms controlling heart rate. Cardiovasc Res
1993; 27: 482-488
79. Gamelin FX, Berthoin S, Sayah H, Libersa C, Bosquet L. Effect of training and detraining on
heart rate variability in healthy young men. Int J Sports Med 2007; 28: 564-570
80. Garcia-Gonzalez MA, Fernandez-Chimeno M, Ferrer J, Escorihuela RM, Parrado E, Capdevila
L, Benitez A, Angulo R, Rodriguez FA, Iglesias X, Bescos R, Marina M, Padulles JM, Ramos-
Castro J. New indices for quantification of the power spectrum of heart rate variability time
series without the need of any frequency band definition. Physiol Meas 2011; 32: 995-1009
81. Garet M, Tournaire N, Roche F, Laurent R, Lacour JR, Barthelemy JC, Pichot V. Individual
Interdependence between nocturnal ANS activity and performance in swimmers. Med Sci
Sports Exerc 2004; 36: 2112-2118
82. Giardino ND, Glenny RW, Borson S, Chan L. Respiratory sinus arrhythmia is associated with
efficiency of pulmonary gas exchange in healthy humans. Am J Physiol Heart Circ Physiol
2003; 284: H1585-1591
83. Goldberger JJ, Le FK, Lahiri M, Kannankeril PJ, Ng J, Kadish AH. Assessment of
parasympathetic reactivation after exercise. Am J Physiol Heart Circ Physiol 2006; 290:
H2446-2452
84. Goldsmith RL, Bigger JT, Jr., Steinman RC, Fleiss JL. Comparison of 24-hour parasympathetic
activity in endurance-trained and untrained young men. J Am Coll Cardiol 1992; 20: 552-558
85. Grappe F ed. Cyclisme et optimisation de la performance, Science et méthodologie de
l’entraînement: De Boeck; 2009
86. Gregoire J, Tuck S, Yamamoto Y, Hughson RL. Heart rate variability at rest and exercise:
influence of age, gender, and physical training. Can J Appl Physiol 1996; 21: 455-470
87. Guzik P, Piskorski J, Krauze T, Schneider R, Wesseling KH, Wykretowicz A, Wysocki H.
Correlations between the Poincare plot and conventional heart rate variability parameters
assessed during paced breathing. J Physiol Sci 2007; 57: 63-71
132 | P a g e
E. Bibliographiques
88. Halson SL, Jeukendrup AE. Does overtraining exist? An analysis of overreaching and
overtraining research. Sports Med 2004; 34: 967-981
89. Harris FJ. On the use of windows for harmonic analysis with discrete Fourier transform.
Proceedings of the IEEE 1978; 66: 51-83
90. Harris P. Influence of acetylcholine on the pulmonary arterial pressure. Br Heart J 1957; 19:
272-278
91. Hautala A, Tulppo MP, Makikallio TH, Laukkanen R, Nissila S, Huikuri HV. Changes in cardiac
autonomic regulation after prolonged maximal exercise. Clin Physiol 2001; 21: 238-245
92. Hautala AJ, Kiviniemi AM, Tulppo MP. Individual responses to aerobic exercise: the role of
the autonomic nervous system. Neurosci Biobehav Rev 2009; 33: 107-115
93. Hautala AJ, Makikallio TH, Kiviniemi A, Laukkanen RT, Nissila S, Huikuri HV, Tulppo MP.
Cardiovascular autonomic function correlates with the response to aerobic training in
healthy sedentary subjects. Am J Physiol Heart Circ Physiol 2003; 285: H1747-1752
94. Hautala AJ, Makikallio TH, Kiviniemi A, Laukkanen RT, Nissila S, Huikuri HV, Tulppo MP. Heart
rate dynamics after controlled training followed by a home-based exercise program. Eur J
Appl Physiol 2004; 92: 289-297
95. Hayano J, Mukai S, Sakakibara M, Okada A, Takata K, Fujinami T. Effects of respiratory
interval on vagal modulation of heart rate. Am J Physiol 1994; 267: H33-40
96. Hayano J, Yasuma F, Okada A, Mukai S, Fujinami T. Respiratory sinus arrhythmia. A
phenomenon improving pulmonary gas exchange and circulatory efficiency. Circulation 1996;
94: 842-847
97. Hedelin R, Kentta G, Wiklund U, Bjerle P, Henriksson-Larsen K. Short-term overtraining:
effects on performance, circulatory responses, and heart rate variability. Med Sci Sports
Exerc 2000; 32: 1480-1484
98. Hedelin R, Wiklund U, Bjerle P, Henriksson-Larsen K. Cardiac autonomic imbalance in an
overtrained athlete. Med Sci Sports Exerc 2000; 32: 1531-1533
99. Hibino G, Moritani T, Kawada T, Fushiki T. Caffeine enhances modulation of parasympathetic
nerve activity in humans: quantification using power spectral analysis. J Nutr 1997; 127:
1422-1427
100. Hirsch JA, Bishop B. Respiratory sinus arrhythmia in humans: how breathing pattern
modulates heart rate. Am J Physiol 1981; 241: H620-629
101. Hori T, Sugita Y, Koga E, Shirakawa S, Inoue K, Uchida S, Kuwahara H, Kousaka M, Kobayashi
T, Tsuji Y, Terashima M, Fukuda K, Fukuda N. Proposed supplements and amendments to 'A
Manual of Standardized Terminology, Techniques and Scoring System for Sleep Stages of
Human Subjects', the Rechtschaffen & Kales (1968) standard. Psychiatry Clin Neurosci 2001;
55: 305-310
102. Huikuri HV, Kessler KM, Terracall E, Castellanos A, Linnaluoto MK, Myerburg RJ.
Reproducibility and circadian rhythm of heart rate variability in healthy subjects. Am J Cardiol
1990; 65: 391-393
103. Huikuri HV, Niemela MJ, Ojala S, Rantala A, Ikaheimo MJ, Airaksinen KE. Circadian rhythms of
frequency domain measures of heart rate variability in healthy subjects and patients with
coronary artery disease. Effects of arousal and upright posture. Circulation 1994; 90: 121-126
104. Huikuri HV, Pikkujamsa SM, Airaksinen KE, Ikaheimo MJ, Rantala AO, Kauma H, Lilja M,
Kesaniemi YA. Sex-related differences in autonomic modulation of heart rate in middle-aged
subjects. Circulation 1996; 94: 122-125
105. Hynynen E, Uusitalo A, Konttinen N, Rusko H. Heart rate variability during night sleep and
after awakening in overtrained athletes. Med Sci Sports Exerc 2006; 38: 313-317
106. Iellamo F, Legramante JM, Pigozzi F, Spataro A, Norbiato G, Lucini D, Pagani M. Conversion
from vagal to sympathetic predominance with strenuous training in high-performance world
class athletes. Circulation 2002; 105: 2719-2724
107. Israel S. Problems of overtraining from an internal medical and performance physiological
standpoint. Med Sport 1976: 1-12
133 | P a g e
E. Bibliographiques
108. Iwanaga M, Kobayashi A, Kawasaki C. Heart rate variability with repetitive exposure to music.
Biol Psychol 2005; 70: 61-66
109. Iwasaki K, Zhang R, Zuckerman JH, Levine BD. Dose-response relationship of the
cardiovascular adaptation to endurance training in healthy adults: how much training for
what benefit? J Appl Physiol 2003; 95: 1575-1583
110. Iwasaki KI, Zhang R, Zuckerman JH, Pawelczyk JA, Levine BD. Effect of head-down-tilt bed rest
and hypovolemia on dynamic regulation of heart rate and blood pressure. Am J Physiol Regul
Integr Comp Physiol 2000; 279: R2189-2199
111. Janssen MJ, de Bie J, Swenne CA, Oudhof J. Supine and standing sympathovagal balance in
athletes and controls. Eur J Appl Physiol Occup Physiol 1993; 67: 164-167
112. Jasson S, Medigue C, Maison-Blanche P, Montano N, Meyer L, Vermeiren C, Mansier P,
Coumel P, Malliani A, Swynghedauw B. Instant power spectrum analysis of heart rate
variability during orthostatic tilt using a time-/frequency-domain method. Circulation 1997;
96: 3521-3526
113. Kaikkonen P, Hynynen E, Mann T, Rusko H, Nummela A. Can HRV be used to evaluate training
load in constant load exercises? Eur J Appl Physiol 2010; 108: 435-442
114. Kaikkonen P, Hynynen E, Mann T, Rusko H, Nummela A. Heart rate variability is related to
training load variables in interval running exercises. Eur J Appl Physiol 2011; 112: 829-838
115. Kaikkonen P, Nummela A, Rusko H. Heart rate variability dynamics during early recovery after
different endurance exercises. Eur J Appl Physiol 2007; 102: 79-86
116. Kaikkonen P, Rusko H, Martinmaki K. Post-exercise heart rate variability of endurance
athletes after different high-intensity exercise interventions. Scand J Med Sci Sports 2008;
18: 511-519
117. Kakurin LI, Lobachik VI, Mikhailov VM, Senkevich YA. Antiorthostatic hypokinesia as a method
of weightlessness simulation. Aviat Space Environ Med 1976; 47: 1083-1086
118. Kamen PW, Krum H, Tonkin AM. Poincare plot of heart rate variability allows quantitative
display of parasympathetic nervous activity in humans. Clinical science (London, England :
1979) 1996; 91: 201-208
119. Karason K, Molgaard H, Wikstrand J, Sjostrom L. Heart rate variability in obesity and the
effect of weight loss. Am J Cardiol 1999; 83: 1242-1247
120. Karvonen J, Vuorimaa T. Heart rate and exercise intensity during sports activities. Practical
application. Sports Med 1988; 5: 303-311
121. Kiviniemi AM, Hautala AJ, Kinnunen H, Nissila J, Virtanen P, Karjalainen J, Tulppo MP. Daily
exercise prescription on the basis of HR variability among men and women. Med Sci Sports
Exerc 2010; 42: 1355-1363
122. Kiviniemi AM, Hautala AJ, Kinnunen H, Tulppo MP. Endurance training guided individually by
daily heart rate variability measurements. Eur J Appl Physiol 2007; 101: 743-751
123. Kiviniemi AM, Hautala AJ, Makikallio TH, Seppanen T, Huikuri HV, Tulppo MP. Cardiac vagal
outflow after aerobic training by analysis of high-frequency oscillation of the R-R interval. Eur
J Appl Physiol 2006; 96: 686-692
124. Kleiger RE, Miller JP, Bigger JT, Jr., Moss AJ. Decreased heart rate variability and its
association with increased mortality after acute myocardial infarction. Am J Cardiol 1987; 59:
256-262
125. Kleiger RE, Stein PK, Bigger JT, Jr. Heart rate variability: measurement and clinical utility. Ann
Noninvasive Electrocardiol 2005; 10: 88-101
126. Kleiger RE, Stein PK, Bosner MS, Rottman JN. Time domain measurements of heart rate
variability. Cardiol Clin 1992; 10: 487-498
127. Kuipers H, Keizer HA. Overtraining in elite athletes. Review and directions for the future.
Sports Med 1988; 6: 79-92
128. La Rovere MT, Bigger JT, Jr., Marcus FI, Mortara A, Schwartz PJ. Baroreflex sensitivity and
heart-rate variability in prediction of total cardiac mortality after myocardial infarction.
134 | P a g e
E. Bibliographiques
ATRAMI (Autonomic Tone and Reflexes After Myocardial Infarction) Investigators. Lancet
1998; 351: 478-484
129. Larsen PD, Tzeng YC, Sin PY, Galletly DC. Respiratory sinus arrhythmia in conscious humans
during spontaneous respiration. Respir Physiol Neurobiol 2010; 174: 111-118
130. Lee CM, Wood RH, Welsch MA. Influence of head-down and lateral decubitus neck flexion on
heart rate variability. J Appl Physiol 2001; 90: 127-132
131. Leger L, Boucher R. An indirect continuous running multistage field test: the Universite de
Montreal track test. Can J Appl Sport Sci 1980; 5: 77-84
132. Lehmann M, Foster C, Dickhuth HH, Gastmann U. Autonomic imbalance hypothesis and
overtraining syndrome. Med Sci Sports Exerc 1998; 30: 1140-1145
133. Leicht AS, Hirning DA, Allen GD. Heart rate variability and endogenous sex hormones during
the menstrual cycle in young women. Exp Physiol 2003; 88: 441-446
134. Lerma C, Infante O, Perez-Grovas H, Jose MV. Poincare plot indexes of heart rate variability
capture dynamic adaptations after haemodialysis in chronic renal failure patients. Clin
Physiol Funct Imaging 2003; 23: 72-80
135. Liao D, Barnes RW, Chambless LE, Simpson RJ, Jr., Sorlie P, Heiss G. Age, race, and sex
differences in autonomic cardiac function measured by spectral analysis of heart rate
variability--the ARIC study. Atherosclerosis Risk in Communities. Am J Cardiol 1995; 76: 906-
912
136. Liao D, Creason J, Shy C, Williams R, Watts R, Zweidinger R. Daily variation of particulate air
pollution and poor cardiac autonomic control in the elderly. Environ Health Perspect 1999;
107: 521-525
137. Lu CL, Zou X, Orr WC, Chen JD. Postprandial changes of sympathovagal balance measured by
heart rate variability. Dig Dis Sci 1999; 44: 857-861
138. Lucia A, Pardo J, Durantez A, Hoyos J, Chicharro JL. Physiological differences between
professional and elite road cyclists. Int J Sports Med 1998; 19: 342-348
139. Magari SR, Hauser R, Schwartz J, Williams PL, Smith TJ, Christiani DC. Association of heart
rate variability with occupational and environmental exposure to particulate air pollution.
Circulation 2001; 104: 986-991
140. Malik M, Camm AJ. Heart rate variability. Clin Cardiol 1990; 13: 570-576
141. Malliani A, Lombardi F, Pagani M. Power spectrum analysis of heart rate variability: a tool to
explore neural regulatory mechanisms. Br Heart J 1994; 71: 1-2
142. Malliani A, Montano N. Heart rate variability as a clinical tool. Ital Heart J 2002; 3: 439-445
143. Mansier P, Clairambault J, Charlotte N, Medigue C, Vermeiren C, LePape G, Carre F,
Gounaropoulou A, Swynghedauw B. Linear and non-linear analyses of heart rate variability: a
minireview. Cardiovasc Res 1996; 31: 371-379
144. Manzi V, Castagna C, Padua E, Lombardo M, D'Ottavio S, Massaro M, Volterrani M, Iellamo F.
Dose-response relationship of autonomic nervous system responses to individualized training
impulse in marathon runners. Am J Physiol Heart Circ Physiol 2009; 296: H1733-1740
145. Marieb EN. Biologie humaine Principes d'anatomie et de physiologie. 6 ed: Pearson
Education; 2008
146. Marieb EN, Hoehn K. Anatomie et physiologie humaines. 8 ed: Pearson Education; 2010
147. Martinelli FS, Chacon-Mikahil MP, Martins LE, Lima-Filho EC, Golfetti R, Paschoal MA, Gallo-
Junior L. Heart rate variability in athletes and nonathletes at rest and during head-up tilt.
Braz J Med Biol Res 2005; 38: 639-647
148. Martinmaki K, Rusko H. Time-frequency analysis of heart rate variability during immediate
recovery from low and high intensity exercise. Eur J Appl Physiol 2008; 102: 353-360
149. Martinmaki K, Rusko H, Kooistra L, Kettunen J, Saalasti S. Intraindividual validation of heart
rate variability indexes to measure vagal effects on hearts. Am J Physiol Heart Circ Physiol
2006; 290: H640-647
150. Massin MM, Maeyns K, Withofs N, Ravet F, Gerard P. Circadian rhythm of heart rate and
heart rate variability. Arch Dis Child 2000; 83: 179-182
135 | P a g e
E. Bibliographiques
136 | P a g e
E. Bibliographiques
172. Okazaki K, Iwasaki K, Prasad A, Palmer MD, Martini ER, Fu Q, Arbab-Zadeh A, Zhang R, Levine
BD. Dose-response relationship of endurance training for autonomic circulatory control in
healthy seniors. J Appl Physiol 2005; 99: 1041-1049
173. Ori Z, Monir G, Weiss J, Sayhouni X, Singer DH. Heart rate variability. Frequency domain
analysis. Cardiol Clin 1992; 10: 499-537
174. Pagani M, Lombardi F, Guzzetti S, Rimoldi O, Furlan R, Pizzinelli P, Sandrone G, Malfatto G,
Dell'Orto S, Piccaluga E, et al. Power spectral analysis of heart rate and arterial pressure
variabilities as a marker of sympatho-vagal interaction in man and conscious dog. Circ Res
1986; 59: 178-193
175. Pagani M, Malfatto G, Pierini S, Casati R, Masu AM, Poli M, Guzzetti S, Lombardi F, Cerutti S,
Malliani A. Spectral analysis of heart rate variability in the assessment of autonomic diabetic
neuropathy. J Auton Nerv Syst 1988; 23: 143-153
176. Pellizzer AM, Straznicky NE, Lim S, Kamen PW, Krum H. Reduced dietary fat intake increases
parasympathetic activity in healthy premenopausal women. Clin Exp Pharmacol Physiol 1999;
26: 656-660
177. Pena MA, Echeverria JC, Garcia MT, Gonzalez-Camarena R. Applying fractal analysis to short
sets of heart rate variability data. Med Biol Eng Comput 2009; 47: 709-717
178. Peng CK, Havlin S, Stanley HE, Goldberger AL. Quantification of scaling exponents and
crossover phenomena in nonstationary heartbeat time series. Chaos 1995; 5: 82-87
179. Penttila J, Helminen A, Jartti T, Kuusela T, Huikuri HV, Tulppo MP, Coffeng R, Scheinin H. Time
domain, geometrical and frequency domain analysis of cardiac vagal outflow: effects of
various respiratory patterns. Clin Physiol 2001; 21: 365-376
180. Perini R, Milesi S, Biancardi L, Pendergast DR, Veicsteinas A. Heart rate variability in
exercising humans: effect of water immersion. Eur J Appl Physiol Occup Physiol 1998; 77:
326-332
181. Perini R, Orizio C, Comande A, Castellano M, Beschi M, Veicsteinas A. Plasma norepinephrine
and heart rate dynamics during recovery from submaximal exercise in man. Eur J Appl Physiol
Occup Physiol 1989; 58: 879-883
182. Perini R, Orizio C, Milesi S, Biancardi L, Baselli G, Veicsteinas A. Body position affects the
power spectrum of heart rate variability during dynamic exercise. Eur J Appl Physiol Occup
Physiol 1993; 66: 207-213
183. Perini R, Veicsteinas A. Heart rate variability and autonomic activity at rest and during
exercise in various physiological conditions. Eur J Appl Physiol 2003; 90: 317-325
184. Pichon A, Nuissier F, Chapelot D. Heart rate variability and depressed mood in physical
education students: a longitudinal study. Auton Neurosci 2010; 156: 117-123
185. Pichon A, Roulaud M, Antoine-Jonville S, de Bisschop C, Denjean A. Spectral analysis of heart
rate variability: interchangeability between autoregressive analysis and fast Fourier
transform. J Electrocardiol 2006; 39: 31-37
186. Pichon AP, de Bisschop C, Roulaud M, Denjean A, Papelier Y. Spectral analysis of heart rate
variability during exercise in trained subjects. Med Sci Sports Exerc 2004; 36: 1702-1708
187. Pichot V, Busso T, Roche F, Garet M, Costes F, Duverney D, Lacour JR, Barthelemy JC.
Autonomic adaptations to intensive and overload training periods: a laboratory study. Med
Sci Sports Exerc 2002; 34: 1660-1666
188. Pichot V, Roche F, Gaspoz JM, Enjolras F, Antoniadis A, Minini P, Costes F, Busso T, Lacour JR,
Barthelemy JC. Relation between heart rate variability and training load in middle-distance
runners. Med Sci Sports Exerc 2000; 32: 1729-1736
189. Pintelon R, Schoukens J. System identification: a frequency domain approach: The Institute of
Electronical and Electronics Engineers, Inc. New York; 2001
190. Pivik RT, Dykman RA. Cardiovascular effects of morning nutrition in preadolescents. Physiol
Behav 2004; 82: 295-302
137 | P a g e
E. Bibliographiques
191. Plews DJ, Laursen PB, Kilding AE, Buchheit M. Heart rate variability in elite triathletes, is
variation in variability the key to effective training? A case comparison. Eur J Appl Physiol
2012; 112: 3729-3741
192. Pomeranz B, Macaulay RJ, Caudill MA, Kutz I, Adam D, Gordon D, Kilborn KM, Barger AC,
Shannon DC, Cohen RJ, et al. Assessment of autonomic function in humans by heart rate
spectral analysis. Am J Physiol 1985; 248: H151-153
193. Portier H, Guézennec CY. Etude de la variabilité de la fréquence cardiaque au cours d'une
course au large en voilier avec privation de sommeil. Science & Sports 2007; 22: 163-165
194. Puig J, Freitas J, Carvalho MJ, Puga N, Ramos J, Fernandes P, Costa O, de Freitas AF. Spectral
analysis of heart rate variability in athletes. J Sports Med Phys Fitness 1993; 33: 44-48
195. Purvis D, Gonsalves S, Deuster PA. Physiological and psychological fatigue in extreme
conditions: overtraining and elite athletes. Pm R 2010; 2: 442-450
196. Rajendra Acharya U, Paul Joseph K, Kannathal N, Lim CM, Suri JS. Heart rate variability: a
review. Med Biol Eng Comput 2006; 44: 1031-1051
197. Rauh R, Burkert M, Siepmann M, Mueck-Weymann M. Acute effects of caffeine on heart rate
variability in habitual caffeine consumers. Clin Physiol Funct Imaging 2006; 26: 163-166
198. Rechlin T, Weis M, Spitzer A, Kaschka WP. Are affective disorders associated with alterations
of heart rate variability? J Affect Disord 1994; 32: 271-275
199. Richardson PD, Withrington PG. The effects of intraportal injections of noradrenaline,
adrenaline, vasopressin and angiotensin on the hepatic portal vascular bed of the dog:
marked tachyphylaxis to angiotensin. Br J Pharmacol 1977; 59: 293-301
200. Saboul D, Pialoux V, Hautier C. The breathing effect of the LF/HF ratio in the heart rate
variability measurements of athletes. European Journal of Sport Science in press: 1-7
201. Saboul D, Pialoux V, Hautier C. The impact of breathing on HRV measurements: implications
for the longitudinal follow-up of athletes. European Journal of Sport Science in press:
202. Sarang P, Telles S. Effects of Two Yoga Based Relaxation Techniques on Heart Rate Variability
(HRV). International Journal of Stress Management 2006; 13: 460-475
203. Saul JP, Berger RD, Chen MH, Cohen RJ. Transfer function analysis of autonomic regulation. II.
Respiratory sinus arrhythmia. Am J Physiol 1989; 256: H153-161
204. Savin WM, Davidson DM, Haskell WL. Autonomic contribution to heart rate recovery from
exercise in humans. J Appl Physiol 1982; 53: 1572-1575
205. Schafer A, Kratky KW. The effect of colored illumination on heart rate variability. Forsch
Komplementmed 2006; 13: 167-173
206. Schipke JD, Pelzer M, Arnold G. Effect of respiration rate on short-term heart rate variability.
Journal of Clinical and Basic Cardiology 1999; 2: 92-95
207. Schoukens J, Rolain Y, Pintelon R. Analysis of windowing/leakage effects in frequency
response function measurements. Automatica 2006; 42: 27-38
208. Seiler S, Haugen O, Kuffel E. Autonomic recovery after exercise in trained athletes: intensity
and duration effects. Med Sci Sports Exerc 2007; 39: 1366-1373
209. Servant D, Logier R, Mouster Y, Goudemand M. [Heart rate variability. Applications in
psychiatry]. Encephale 2009; 35: 423-428
210. Shin K, Minamitani H, Onishi S, Yamazaki H, Lee M. The power spectral analysis of heart rate
variability in athletes during dynamic exercise--Part I. Clin Cardiol 1995; 18: 583-586
211. Sinnreich R, Kark JD, Friedlander Y, Sapoznikov D, Luria MH. Five minute recordings of heart
rate variability for population studies: repeatability and age-sex characteristics. Heart 1998;
80: 156-162
212. Sloan RP, Korten JB, Myers MM. Components of heart rate reactivity during mental
arithmetic with and without speaking. Physiology & Behavior 1991; 50: 1039-1045
213. Sondermeijer HP, van Marle AG, Kamen P, Krum H. Acute effects of caffeine on heart rate
variability. Am J Cardiol 2002; 90: 906-907
214. Souza Neto EP, Neidecker J, Lehot JJ. [To understand blood pressure and heart rate
variability]. Ann Fr Anesth Reanim 2003; 22: 425-452
138 | P a g e
E. Bibliographiques
215. Stein PK, Kleiger RE, Rottman JN. Differing effects of age on heart rate variability in men and
women. Am J Cardiol 1997; 80: 302-305
216. Strano S, Lino S, Calcagnini G, Di Virgilio V, Ciardo R, Cerutti S, Calcagnini G, Caselli G.
Respiratory sinus arrhythmia and cardiovascular neural regulation in athletes. Med Sci Sports
Exerc 1998; 30: 215-219
217. Task-Force. Heart rate variability. Standards of measurement, physiological interpretation,
and clinical use. Task Force of the European Society of Cardiology and the North American
Society of Pacing and Electrophysiology. Eur Heart J 1996; 17: 354-381
218. Tentolouris N, Tsigos C, Perea D, Koukou E, Kyriaki D, Kitsou E, Daskas S, Daifotis Z, Makrilakis
K, Raptis SA, Katsilambros N. Differential effects of high-fat and high-carbohydrate
isoenergetic meals on cardiac autonomic nervous system activity in lean and obese women.
Metabolism 2003; 52: 1426-1432
219. Terziotti P, Schena F, Gulli G, Cevese A. Post-exercise recovery of autonomic cardiovascular
control: a study by spectrum and cross-spectrum analysis in humans. Eur J Appl Physiol 2001;
84: 187-194
220. Toledo E, Gurevitz O, Hod H, Eldar M, Akselrod S. Wavelet analysis of instantaneous heart
rate: a study of autonomic control during thrombolysis. Am J Physiol Regul Integr Comp
Physiol 2003; 284: R1079-1091
221. Toscani L, Gangemi PF, Parigi A, Silipo R, Ragghianti P, Sirabella E, Morelli M, Bagnoli L,
Vergassola R, Zaccara G. Human heart rate variability and sleep stages. Ital J Neurol Sci 1996;
17: 437-439
222. Trinder J, Kleiman J, Carrington M, Smith S, Breen S, Tan N, Kim Y. Autonomic activity during
human sleep as a function of time and sleep stage. J Sleep Res 2001; 10: 253-264
223. Tulppo MP, Hautala AJ, Makikallio TH, Laukkanen RT, Nissila S, Hughson RL, Huikuri HV.
Effects of aerobic training on heart rate dynamics in sedentary subjects. J Appl Physiol 2003;
95: 364-372
224. Tulppo MP, Makikallio TH, Takala TE, Seppanen T, Huikuri HV. Quantitative beat-to-beat
analysis of heart rate dynamics during exercise. Am J Physiol 1996; 271: H244-252
225. Urhausen A, Gabriel H, Kindermann W. Blood hormones as markers of training stress and
overtraining. Sports medicine (Auckland, NZ) 1995; 20: 251-276
226. Uusitalo AL, Uusitalo AJ, Rusko HK. Heart rate and blood pressure variability during heavy
training and overtraining in the female athlete. Int J Sports Med 2000; 21: 45-53
227. Vempati RP, Telles S. Yoga-based guided relaxation reduces sympathetic activity judged from
baseline levels. Psychol Rep 2002; 90: 487-494
228. Vesterinen V, Hakkinen K, Hynynen E, Mikkola J, Hokka L, Nummela A. Heart rate variability
in prediction of individual adaptation to endurance training in recreational endurance
runners. Scand J Med Sci Sports 2011:
229. Viola A. La Variabilité Cardiaque au Cours des Cycles de Sommeil chez l'Homme: un Test
d'Evaluation de l'Activité du Système Nerveux Autonome. STRASBOURG Université LOUIS
PASTEUR; 2004: 176
230. Volterrani M, Scalvini S, Mazzuero G, Lanfranchi P, Colombo R, Clark AL, Levi G. Decreased
heart rate variability in patients with chronic obstructive pulmonary disease. Chest 1994;
106: 1432-1437
231. Warren JH, Jaffe RS, Wraa CE, Stebbins CL. Effect of autonomic blockade on power spectrum
of heart rate variability during exercise. Am J Physiol 1997; 273: R495-502
232. WBC. Whole-Body Cryotherapy -110°C in Sport – Publications/Reports/Studies. In:
http://2.imimg.com/data2/SD/GQ/MY-1244116/infomappe-sport-complete-gb.pdf ed; 2006
233. Wilmore JH, Costill DL, Larry Kenney W. Physiologie du sport et de l'exercice. 4 ed: Human
Kinetics; 2009
234. Winsley RJ, Battersby GL, Cockle HC. Heart rate variability assessment of overreaching in
active and sedentary females. Int J Sports Med 2005; 26: 768-773
139 | P a g e
E. Bibliographiques
235. Yamamoto S, Iwamoto M, Inoue M, Harada N. Evaluation of the effect of heat exposure on
the autonomic nervous system by heart rate variability and urinary catecholamines. J Occup
Health 2007; 49: 199-204
236. Yamamoto Y, Hughson RL, Peterson JC. Autonomic control of heart rate during exercise
studied by heart rate variability spectral analysis. J Appl Physiol 1991; 71: 1136-1142
237. Yanagihashi R, Ohira M, Kimura T, Fujiwara T. Physiological and psychological assessment of
sound. Int J Biometeorol 1997; 40: 157-161
238. Zahorska-Markiewicz B, Kuagowska E, Kucio C, Klin M. Heart rate variability in obesity. Int J
Obes Relat Metab Disord 1993; 17: 21-23
239. Zaryski C, Smith DJ. Training principles and issues for ultra-endurance athletes. Curr Sports
Med Rep 2005; 4: 165-170
240. Zhang J. Effect of age and sex on heart rate variability in healthy subjects. J Manipulative
Physiol Ther 2007; 30: 374-379
140 | P a g e
F. Annexes
141 | P a g e
Annexe 1 : Chapitre d’ouvrage
142 | P a g e
Faire face à la pluralité des méthodes en physiologie de l’exercice :
illustrations dans le domaine de la variabilité de la fréquence cardiaque.
D. Saboul
INTRODUCTION
La variabilité de la fréquence cardiaque (VFC) est le terme utilisé pour décrire les
variations des intervalles de temps entre les battements cardiaques consécutifs. Malgré
quelques allusions plus anciennes, les premiers travaux évoquant la VFC sont apparus au
cours des années 1980. Originale et novatrice, cette thématique d’étude a généré un tel
engouement scientifique, qu’actuellement, elle occupe une place de choix au sein de la
recherche en physiologie. Le rapport coût/bénéfice d’une analyse de VFC est un argument de
poids qui, à notre sens, contribue à séduire de nombreux protagonistes du sujet. En effet,
l’étude de la VFC est relativement simple à mettre en œuvre et, fait important, la mesure reste
non invasive. Par contraste, elle offre des informations complexes et très pointues sur
l’activité de notre système nerveux autonome. De nos jours, si l’utilité de la VFC n’est
aucunement remise en cause, il est important de souligner que l’absence de méthodologie
unifiée conduit parfois à des résultats contradictoires qui rendent difficile voire impossible
toute interprétation rationnelle. En effet, lorsque l’on s’intéresse à la VFC, nous pouvons très
rapidement remarquer qu’il existe une multitude de choix méthodologiques que nous
regrouperons ici en deux catégories :
143 | P a g e
encadrent l’étude de la VFC sont synthétisées dans la figure 1. Chacune d’entre elles est
généralement constituée de plusieurs paradigmes expérimentaux, souvent utilisés de façon
aveugle, sans en interroger systématiquement les fondements ou la validité scientifique, et qui
suscite au final de nombreuses controverses. Ainsi, le but de notre démarche est d’exposer
comment nous nous sommes orientés au sein de cette pluralité méthodologique, récurrente, en
fonction de notre problématique propre dans l’optique de construire un protocole d’analyse
approprié.
144 | P a g e
Figure 1 : Description des principales « strates méthodologiques » qui entourent la VFC. Chacune d’entre elles fait
généralement l’objet de nombreuses controverses et notre objectif est d’exposer comment un chercheur s’oriente au
sein de cette pluralité méthodologique pour construire un protocole d’analyse approprié en fonction de sa
problématique propre.
145 | P a g e
PARTIE 1 : PRESENTATION GLOBALE DE LA VFC ET DESCRIPTION DE
NOTRE PROBLEMATIQUE
Figure 2: La variabilité de la fréquence cardiaque consiste à analyser l’évolution des variations de temps
entre chaque intervalle RR. L’étude de ces micro-variations peut apporter des informations sur l’activité de
notre système nerveux autonome.
146 | P a g e
La VFC au cœur des activités physiques et sportives : des débouchés prometteurs
Les fortes interactions qui existent entre une gestion cohérente des fréquences
cardiaques à l’entraînement et les performances de l’athlète qui en découlent sont aujourd’hui
largement démontrées dans la littérature scientifique. Dès lors, les chercheurs ont souhaité
aller encore plus loin en menant des protocoles d’études sur la relation VFC – aptitude à
l’effort. Bien que, généralement, les athlètes présentent une VFC supérieure aux sédentaires,
il n’existe pas de relation linéaire et précise entre les aptitudes cardiovasculaires (VO2
max,…) et la VFC mesurée (valeurs brutes). Néanmoins, lorsque l’on se focalise sur
l’évolution des valeurs de chaque individu suite à un programme d’entraînement spécifique,
nous pouvons observer une corrélation entre le gain en performance (VO2 max, temps au 10
Km,…) et le gain en VFC (valeur relative) (5). Il en découle une première information non
négligeable : la valeur brute de VFC est avant tout individuelle. Ce fondement a également été
confirmé lors d’exercices aigus puisque, malgré une diminution de la VFC observable chez
tous les athlètes à la suite d’un entraînement, la cinétique de récupération peut fortement
varier d’un sujet à l’autre (10). Ces différences ont très rapidement été imputées à la notion de
fatigue et, plus globalement, de nombreuses études ont relié le concept de surentraînement à
une forte diminution de la VFC. Aujourd’hui, l’outil semble très prometteur avec notamment
des perspectives d’individualisation, de planification et d’optimisation de l’entraînement à
l’aide de la VFC. Néanmoins, nous devons malheureusement admettre que ces finalités, bien
que très séduisantes et prometteuses, ne représentent que la partie émergée de l’iceberg.
147 | P a g e
protocole final ne se dessine pas de manière univoque mais qu’il relève plutôt d’une affaire de
sensibilité personnelle qui est liée, entre autres, à la spécificité de la formation reçue et aux
affinités nouées avec certains pairs.
Dans ce cadre conceptuel, tout choix, à l’intérieur des différentes strates du protocole
doit être soigneusement argumenté et permettre de répondre formellement à l’objectif initial
qui sera clairement exposé. Ainsi, l’exemple qui illustre notre démarche se base sur une étude
que nous menons depuis maintenant 2 ans au sein de notre laboratoire de recherche : Utiliser
la VFC pour individualiser et optimiser les charges d’entraînement de sportifs de haut-niveau
afin de prévenir le surentraînement et d’amener les athlètes à leurs « pics de forme » le jour de
la compétition. La principale difficulté réside dans le fait que notre protocole doit être à la fois
pertinent et très rigoureux sur le plan scientifique tout en restant réalisable sur le terrain
puisque la mesure de VFC ne se fera pas en laboratoire mais en autonomie directement chez
l’athlète et ce, tout au long de la saison à raison de plusieurs enregistrements par semaine. En
d’autres termes, nos choix méthodologiques devront être en adéquation avec la littérature
scientifique tout en tenant compte des réalités du terrain, l’objectif principal étant bien
évidemment d’imposer à l’athlète un protocole le moins contraignant possible qui permettra
néanmoins d’offrir des résultats très fiables. Les paramètres entrant en jeu lors de la mise en
place d’un protocole de mesure de la VFC étant multifactoriels, nous avons fait le choix de les
scinder en plusieurs parties avec, malgré tout, un objectif commun qui est d’illustrer la
pluralité méthodologique intervenant à chaque strate.
148 | P a g e
PARTIE 2 : L’IMBROGLIO GÉNÉRÉ PAR UNE MULTITUDE DE FORMULES ET
DE MARQUEURS
Lorsque l’on évoque la VFC, il est nécessaire d’entrer directement dans un niveau de
complexité relativement élevé puisque derrière ces trois lettres se cachent plus d’une dizaine
de marqueurs. En effet, une multitude de formules et autres algorithmes mathématiques
permettent de passer de la simple suite numérique, composée de tous les enregistrements
d’intervalles R-R, à des indices très variés. Dans le tableau 1, nous avons répertorié les
marqueurs qui apparaissent le plus souvent dans la littérature scientifique en les regroupant au
sein de trois domaines : le temporel, le non-linéaire et le fréquentiel. Nous allons découvrir
que le choix d’un marqueur au détriment des autres reste particulièrement délicat à établir. De
plus, il n’est pas rare de retrouver plusieurs méthodes de calcul pour un même indice rendant
ainsi l’exercice encore un plus complexe.
149 | P a g e
Divergences mathématiques
Basés sur des formules qui intègrent des moyennes, des différences et des écarts types,
les marqueurs du domaine temporel présentent des méthodes de calcul largement
documentées dans la littérature et, fait notable, n’alimentant pas de controverse. Il en est de
même pour les indices non linéaires qui, malgré des équations plus sophistiquées, semblent
maintenant être calculés avec le même procédé dans la majorité des laboratoires de recherche.
Inversement, il existe un marasme mathématique provenant de la surabondance des
algorithmes de traitement du signal qui permettent de passer de la dimension temporelle à la
dimension fréquentielle. En effet, la majorité des méthodes d’analyse issues des sciences de
l’ingénieur ont été déclinées pour la VFC et nous retrouvons fréquemment des publications
qui vantent les mérites d’une méthode au détriment des autres : transformée de Fourier,
transformée en ondelettes ou encore modélisation autorégressive pour ne citer que les plus
connues. Qu’elles soient non paramétriques ou paramétriques, chaque méthode recèle encore
d’autres choix épineux lorsque l’on passe dans une strate inférieure puisque, nous devons
respectivement opter pour le type et la taille de la fenêtre d’analyse, la forme de l’onde mère
ou encore l’ordre et le modèle sélectionné (2, 18). En d’autres termes, il est très rare de
retrouver une méthodologie similaire dans les publications et, de ce fait, les résultats de
chaque production scientifique peuvent être facilement remis en cause sur la seule base d’un
choix méthodologique divergent.
150 | P a g e
qui encadrent notre étude. En premier lieu, nous avons simplement besoin d’une estimation de
la densité spectrale de puissance. Par conséquent, les analyses temps-fréquences
(ondelettes,…) ont facilement pu être écartées. De plus, nous sommes face, dans nos
protocoles, à des analyses de courtes périodes qui sous-entendent que le signal demeure
stationnaire durant tout l’enregistrement, en particulier chez les sportifs qui présentent des
courbes temporelles très stables se traduisant par un faible contenu fréquentiel.
Subséquemment, le choix d’une analyse par transformée de Fourier nous semblait le plus
judicieux. Malgré toutes les précautions prises pour justifier ce choix méthodologique, nous
avons fréquemment dû faire face à de vives critiques de la part de certains reviewers qui, dans
ce cas précis, conseillaient plutôt d’utiliser une modélisation autorégressive. En toute
objectivité, il semblerait que les arguments avancés soient tout aussi recevables que les nôtres.
Cette impasse méthodologique démontre toute la complexité de mise en œuvre d’une analyse
de VFC et, du point de vue du lecteur, ne peut que discréditer sa validité scientifique. Dès
lors, il paraît souhaitable que les chercheurs travaillent de concert pour définir et mettre en
application un protocole commun qui permettra, en plus d’offrir une meilleure lisibilité, de
résoudre certaines controverses et de rendre possible une comparaison rationnelle entre les
études similaires présentant néanmoins des différences méthodologiques de calcul de la VFC.
Bien que chaque marqueur présente des valeurs brutes différentes, il semblerait que de
fortes similitudes existent entre plusieurs d’entres eux. En effet, il a été démontré qu’il existe,
en termes de variation, des corrélations significatives entre les marqueurs RMSSD et SDNN
151 | P a g e
ainsi qu’entre les marqueurs SDNN et TP. A plus forte raison, nous pouvons retrouver une
corrélation parfaite entre les indices RMSSD et SD1 ainsi qu’entre les indices SDNN et SD2
(8). En d’autres termes, présenter dans un article les évolutions du RMSSD et du SD1 au
cours d’un protocole expérimental revient tout simplement à publier deux fois la même
information. Similairement, il est très fréquent de retrouver dans certains travaux les résultats
des marqueurs fréquentiels exprimés en valeurs brutes (LF et HF), en unité normalisée (LFnu
= 100 x LF/(LF+HF) et HFnu = 100 x HF/(LF+HF) ainsi que le ratio LF/HF. Le physiologiste
pourra aisément constater que les 3 derniers indices ne représentent qu’une simple déclinaison
mathématique des deux premières informations. Toutefois, il est important de souligner que
dans le contexte d’une analyse de VFC, où il existe une forte hétérogénéité entre les valeurs
brutes de chaque individu, la normalisation des données fréquentielles procure tout de même
certains avantages. Nous retiendrons que le ratio LF/HF formule, à lui seul, une représentation
normalisée des résultats fréquentiels. Dès lors, il est intéressant de se demander pourquoi de
nombreux chercheurs s’entêtent à publier les résultats de chaque marqueur de la VFC au
risque de présenter plusieurs fois la même information. Il semblerait que le fait de proposer à
la communauté scientifique un éventail de résultats significatifs contribuerait à renforcer
l’hypothèse initialement formulée en démontrant l’existence d’un lien de causalité non
seulement avec la VFC globale mais également avec une multitude de marqueurs sous-
jacents. Le risque principal étant d’entretenir une certaine confusion chez le lecteur qui sera
rapidement submergé par tous ces résultats sans être forcément capable d’isoler les causes et
d’en attribuer les effets sur chacun des indices étudiés. Le paroxysme étant atteint lorsque le
scientifique lui-même s’égare à travers le pluralisme méthodologique en publiant des résultats
ne correspondant pas à la description du protocole initial. A titre d’exemple, la somme des
LFnu et HFnu doit, par définition, toujours être égale à 100 %. Or, nous pouvons
malheureusement constater que certaines productions scientifiques présentent, non sans
ambiguïté, des résultats qui ne respectent même pas ce principe mathématique de base (14).
Force est de constater que l’envie de publier des résultats en adéquation avec l’hypothèse
initiale semble parfois l’emporter sur la raison et il est probable que, dans certains cas, la
sélection des indices de la VFC se réalise a posteriori en fonction de la significativité de
chacun et non a priori en fonction des réalités physiologiques sous-jacentes qui sont censées
les moduler.
En résumé, il nous paraît essentiel de concentrer nos efforts sur quelques indices
judicieusement sélectionnés en évitant de tomber dans le piège qui consiste à multiplier les
152 | P a g e
marqueurs pour pallier une certaine forme de faiblesse méthodologique. En l’absence de
consensus clair et précis, nous nous appuyons sur de simples constats qui, comme exposés
précédemment, démontrent qu’il existe de fortes similitudes entres plusieurs indices de la
VFC. Ainsi, la logique voudrait de ne conserver seulement quelques marqueurs en veillant à
ce qu’aucun d’entre eux ne présente une quelconque redondance. Dans notre cas, nous avons
souhaité préserver les marqueurs temporels au détriment des marqueurs non linéaires ; ces
derniers ayant avant tout une vocation graphique, par l’intermédiaire de la représentation de
Poincaré. Au sein même du domaine temporel, nous avons retenu le marqueur RMSSD qui
conserve une certaine robustesse même lors d’une approche court terme de la VFC,
correspondant ainsi mieux à notre problématique initiale. De surcroît, plusieurs études ont très
clairement démontré sa fiabilité ainsi que l’étroite relation qu’il entretenait avec la fatigue lors
d’un suivi longitudinal ce qui, de notre point de vue, en fait un marqueur de choix (1, 16).
A travers l’étude du domaine fréquentiel, nous avons dû entreprendre une toute autre
démarche pour justifier nos choix méthodologiques. Bien que nous puissions
mathématiquement nous affranchir du marqueur fréquentiel TP, évoluant de la même manière
que les marqueurs temporels grâce à la conservation de l’énergie démontrée par le théorème
de Parseval, il semblerait qu’au sein d’une population d’athlètes, les indices du domaine
fréquentiel ne présentent pas nécessairement de similitude avec les marqueurs des deux autres
domaines. D’un point de vue très pragmatique, il n'existe toujours pas de consensus sur
l’interprétation physiologique précise de l’évolution des marqueurs fréquentiels LF, HF ou
LF/HF et, à plus forte raison, sur leurs relations avec la fatigue (17). En d’autres termes, toute
personne qui s’intéresse à la VFC en lien avec les athlètes ne pourra, au cours d’une analyse
approfondie et totalement objective de la littérature, nier l’existence de cet imbroglio
fréquentiel. En effet, plusieurs chercheurs ont publié des résultats divergents avec, pour
certains, une augmentation du ratio LF/HF lors d’une phase de fatigue ou de surentraînement
et, pour d’autres, une stagnation voir même une réduction de ce ratio lors d’une période de
fatigue chronique médicalement décelée (3, 11, 12). Pour discuter cette ambivalence, nous
apporterons deux arguments très distincts.
153 | P a g e
Figure 3: Représentation fréquentielle d’un enregistrement de VFC d’un sédentaire (spectre de puissance). L’énergie est
répartie en 3 bandes de fréquence qui représentent respectivement, les très basses fréquences (VLF de 0 à 0,04 Hz), les
basses fréquences (LF de 0,04 à 0,15 Hz) et les hautes fréquences (HF de 0,15 à 0,40 Hz). Les HF sont généralement
associées au système nerveux parasympathique alors que les LF sont plutôt modulées par le système nerveux
sympathique avec, malgré tout, une composante parasympathique.
154 | P a g e
l’ambiguïté qui réside autour du ratio LF/HF puisse être imputée à la position de cette borne
fréquentielle qui peut être sur ou sous-estimée en fonction de la réalité physiologique
inhérente à chaque individu.
155 | P a g e
Fort de ce constat, il paraît évident qu’un chercheur puisse se passer des indices
fréquentiels LF ou HF et plus particulièrement lorsque son sujet d’étude concerne la VFC
chez des athlètes de haut niveau. Malheureusement, aucun consensus n’a encore pu émerger
face aux multiples paradigmes expérimentaux qui ont traditionnellement entouré les
marqueurs fréquentiels. En d’autres termes, bien que plusieurs de nos pairs aient, dès la fin
des années 90, alerté la communauté scientifique de ce criant manque de fiabilité des
marqueurs fréquentiel (e.g. En 1997, Eckberg conclu l’une de ses publications par une phrase
qui sera, par la suite, très souvent reprise : « le ratio LF/HF semble obscurcir plutôt
qu’éclairer la physiologie et la pathophysiologie humaine »), de trop nombreux travaux ont
négligé cette évidence en continuant à proposer une multitude de résultats qui n’ont fait
qu’entretenir la confusion entourant les marqueurs fréquentiels (7).
156 | P a g e
Figure 4 : Spectres de VFC de 3 athlètes. Une grande partie de l’énergie se concentre autour de la fréquence de
respiration via l’arythmie sinusale respiratoire qui est particulièrement développée chez les sportifs d’endurance. Le
sujet du haut (a) présente une fréquence de respiration spontanée de 0,10 Hz et l’énergie des basses fréquences (LF) est
fortement surévaluée. Inversement, le sujet du bas (c) présente une fréquence de respiration spontanée de 0,20 Hz et
c’est l’énergie des hautes fréquences (HF) qui est surestimée. La situation la plus ambiguë est observable chez le sujet du
milieu (b) qui présente une fréquence de respiration centrée sur la limite entre les LF et les HF (0,15 Hz). Ainsi, la moindre
variation du cycle respiratoire entraîne le pic d’énergie dans l’une ou l’autre des bandes de fréquences (LF ou HF). Par
conséquent, les résultats fréquentiels deviennent totalement aléatoires et difficilement exploitables chez la plupart des
athlètes.
157 | P a g e
Plus largement, il semblerait que cette appétence quasi dogmatique envers ces indices
fréquentiels puisse être imputée à la vocation historique de la VFC qui, avant tout, concernait
le milieu médical avec l’étude de diverses pathologies cardiorespiratoires. De ce fait, les
individus inclus dans les protocoles de recherche ne présentaient bien évidemment qu’une très
faible arythmie sinusale respiratoire (exemple de la figure 3) et il semblerait que, dans ce cas
précis, les marqueurs fréquentiels conservent une certaine forme de légitimité. Néanmoins, il
nous paraît important de souligner qu’un tel héritage ne peut nécessairement pas être transféré
et décliné dans toutes les autres thématiques de la VFC qui présentent, pour chacune d’entre
elles, leurs propres spécificités. Dans notre cas, nous ne pouvons nullement nier l’existence,
chez nos sujets, de prédispositions cardiorespiratoires qui font que l’utilisation des marqueurs
fréquentiels est à proscrire. Au risque de paraître iconoclaste face aux différents paradigmes
expérimentaux décrivant les indices fréquentiels, nous avons sciemment décidé de ne plus
présenter les résultats des marqueurs LF, HF et, par-dessus tout, du ratio LF/HF. Il semblerait
que ce tournant méthodologique soit également adopté par d’autres chercheurs qui, tout
comme nous, se focalisent sur le suivi des athlètes à l’aide de la VFC. Sans pour autant parler
de consensus, l’émergence de ce nouveau courant de pensée ne peut que contribuer à
renforcer nos choix qui, à l’heure actuelle, se heurtent encore trop souvent aux multiples
doctrines qui ont traditionnellement entouré les marqueurs fréquentiels.
158 | P a g e
PARTIE 3: CONDITIONS DU RECUEIL DES MESURES : FAIRE FACE À
L’EVENTAIL DES POSSIBILITES.
Moment de la mesure
159 | P a g e
la VFC ne sont pas remis en cause dans la littérature, nous pouvons remarquer qu’il existe
encore quelques divergences méthodologiques sur le moment de la mesure. Certains
chercheurs proposent de réaliser l’enregistrement au cours de la nuit alors que d’autres sont
partisans d’une mesure effectuée le matin au réveil. Nous soulignerons qu’il existe également
des controverses au sein même du groupe des scientifiques adeptes d’une mesure nocturne
avec quelques-uns prônant un enregistrement uniquement durant la première phase de
sommeil (ondes lentes) alors que d’autres suggèrent d’analyser plusieurs heures
d’enregistrement sans dissociation des phases.
Dans notre cas, nous avons opté pour un enregistrement le matin au réveil sur la base
d’un argument, particulièrement pragmatique, concernant la faisabilité et la lourdeur du
protocole. Bien que, dans le cadre d’une recherche « court terme » il soit concevable de passer
toute une nuit équipé d’un appareil électroportatif pour enregistrer la VFC, il semblerait que
dans le cadre d’une recherche « long terme », il soit beaucoup plus délicat pour l’athlète de
répéter l’enregistrement plusieurs fois par semaine durant toute sa saison. Ainsi, pratiquer une
mesure le matin au réveil apparaît plus adéquat pour répondre à notre problématique initiale.
L’individu sortira d’une phase de plusieurs heures de repos complet (psychologique et
physique) et, il n’y aura plus de sollicitation digestive puisque la mesure sera réalisée à jeun.
De surcroît, nous pouvons concevoir qu’avec une bonne hygiène de vie, l’athlète observera
normalement un horaire de réveil relativement stable et régulier d’un jour à l’autre lui
permettant ainsi de limiter les influences circadiennes. Ce choix méthodologique est renforcé
par de récentes publications qui proposent un protocole similaire tout en ayant une thématique
de recherche étroitement liée à la nôtre (9, 16).
Sur terre, il existe une interaction permanente entre notre corps et le sol. Appelée
attraction terrestre, cette force gravitationnelle interagit différemment avec notre corps suivant
la position que l’on adopte (couché, assis, debout, couché avec les jambes en l’air,…). Le
système nerveux autonome est alors sollicité, via les barorécepteurs, pour réguler notre
pression artérielle et notre rythme cardiaque afin d’assurer un retour veineux satisfaisant. Dès
lors, il paraît justifié de se poser la question de l’influence de notre position durant une mesure
de VFC.
160 | P a g e
Au sein de la littérature, nous retrouvons plusieurs publications qui recoupent des
informations d’enregistrements effectués dans différentes positions (4). Il en découle des
résultats très hétérogènes d’une position à l’autre et, dans le cadre de notre problématique qui
requiert une reproductibilité de la mesure, nous pouvons d’ores et déjà admettre la nécessité
de conserver une position identique d’une mesure à l’autre. Il nous faut maintenant établir
notre choix et, parmi toutes les possibilités, nous pouvons très vite constater que deux
protocoles s’illustrent particulièrement : une mesure alternant la position couchée puis la
position debout, appelée test d’inclinaison ou tilt test, mais également une mesure réalisée en
restant couché durant la totalité de l’enregistrement. Le premier protocole, directement issu
des tests cliniques réalisés sur des individus sujets aux syncopes d’allure vagale, consiste à
solliciter le système parasympathique puis le système sympathique. Dans le cadre d’un suivi
longitudinal, la principale faiblesse de ce protocole réside dans l’interprétation des résultats.
En effet, pour tous les marqueurs de la VFC, nous pouvons soutirer 3 valeurs lors d’une seule
mesure (couché, debout et différence entre couché et debout) et, à notre connaissance, aucun
consensus ne permet de relier clairement l’évolution de ces valeurs à un quelconque état de
fatigue. A l’inverse, il semblerait que la mesure effectuée couché au repos n’alimente que peu
de controverses en offrant des résultats dont l’interprétation physiologique demeure beaucoup
plus claire. Par conséquent, nous avons opté pour cette dernière qui a également l’avantage de
jouir d’une certaine popularité en apparaissant très régulièrement dans les protocoles proposés
par la littérature (5, 10, 16).
Durée de l’enregistrement
161 | P a g e
liberté de nommer le « paradoxe de la fiabilité ». Conceptuellement, plus l’enregistrement
sera long et meilleur en sera la fiabilité. Toutefois, il est important de garder à l’esprit que
l’enregistrement doit être réalisé dans des conditions de stabilité absolue et, bien évidemment,
sans aucun mouvement parasite. Au cours de nos différentes expérimentations, nous avons pu
remarquer que la probabilité de l’individu de maintenir une position immobile et sans
mouvement perturbateur (étirements, bâillements, toussotements,…) diminuait au fur et à
mesure que la durée d’enregistrement augmentait. Ce paradoxe nous oblige à proposer une
durée d’enregistrement relativement longue pour obtenir une fiabilité satisfaisante mais
également assez rapide pour éviter de perdre à nouveau en fiabilité à cause de l’apparition
d’éléments perturbateurs. La troisième approche repose sur un point méthodologique
clairement exposé dans les « guidelines » de la « Task Force » qui ont été établis par de
nombreux chercheurs spécialistes de la VFC (18). Ils soulignent la nécessité d’avoir un
enregistrement qui comporte au moins 10 oscillations de la fréquence la plus lente. Par
conséquent, le système sympathique présentant des oscillations de 0,04 Hz (soit une période
en 25 secondes) nous impose de mesurer la VFC pendant au moins 4 min et 10 secondes (i.e.
250 sec ou 10 x 25 sec). Pour résumer, en additionnant les arguments des trois approches
précédemment exposées, nous avons logiquement convergé vers un choix d’enregistrement
d’une durée de 5 minutes. Nous soulignerons que, jusqu’à présent, aucun reviewer ne s’est
opposé à l’approche méthodologique précédemment décrite et qu’elle se retrouve également
dans de nombreux travaux de nos pairs (16, 19). Cependant, il est regrettable de constater que,
malgré l’émergence d’un consensus, il demeure encore au sein de la littérature de nombreuses
incohérences méthodologiques empêchant toute comparaison rationnelle entre des études
similaires.
Rythme respiratoire
162 | P a g e
entre plusieurs personnes et, dans certains cas, entre plusieurs études, la condition sine qua
non étant bien évidemment que la fréquence de respiration imposée soit identique d’une étude
à l’autre. Force est de constater, qu’à travers la littérature scientifique, il réside encore de
fortes hétérogénéités face aux choix méthodologiques du rythme respiratoire avec d’un côté,
les partisans de la respiration libre ou spontanée et de l’autre, les défenseurs de la respiration
imposée ou contrôlée. Au sein même de ce dernier groupe, nous pouvons encore retrouver de
nombreuses controverses concernant la fréquence à imposer durant l’enregistrement avec des
propositions qui vont de 0,10 Hz (6 cycles par minute) à plus de 0,25 Hz (15 cycles par
minute). Les études que nous avons menées directement sur des athlètes prouvent que quelle
que soit la fréquence imposée à suivre, la respiration contrôlée vient mécaniquement modifier
les résultats d’une analyse de VFC et engendre un stress durant la mesure (17). En accord
avec notre problématique initiale, qui impose à l’individu de rester dans une position la plus
calme possible, il semblerait que la respiration contrôlée soit incompatible. De surcroît, les
divergences méthodologiques concernant la respiration sont majoritairement fondées sur des
modifications des marqueurs fréquentiels de la VFC. En ayant fait le choix, en amont, de
s’abstenir de ces indices, nous ne sommes que très peu affectés par cette dernière controverse
puisque le marqueur RMSSD reste beaucoup plus robuste et fiable dans diverses conditions
de respiration. Pour résumer, nous avons opté pour une mesure en respiration libre mais, une
nouvelle fois, nous regrettons de ne pouvoir discuter nos résultats face à de nombreux autres
travaux qui présentent des choix méthodologiques beaucoup trop distants des nôtres.
163 | P a g e
Figure 5 : Description des différentes méthodes et argumentations qui nous ont permis de faire face à la pluralité
méthodologiques lors de l’élaboration de notre protocole d’analyse de la VFC dans le cadre d’un suivi longitudinal
d’athlètes de haut niveau. En premier lieu, nous retrouvons des arguments physiologiques ou mathématiques
directement tirés de la littérature. Dans certains cas, ce sont des arguments beaucoup plus pragmatiques comme la
faisabilité qui ont été retenus. En dernier lieu, il arrive parfois que ce soit notre sensibilité personnelle qui prévale (par
exemple le choix de l’indice RMSSD par rapport à l’indice SD1, qui, physiologiquement et mathématiquement parlant
évoluent de façon identique).
164 | P a g e
CONCLUSION :
165 | P a g e
méthodologique demeure au sein même des études présentant de fortes similitudes avec la
nôtre, nous devons nécessairement aborder une seconde phase beaucoup plus complexe
puisqu’il convient de s’éloigner du cadre scientifique traditionnel pour se rapprocher du bon
sens. Dans notre cas, il s’agira par exemple de discuter la faisabilité de notre protocole (e.g.
mesures réalisées en autonomie au domicile). Bien que nos travaux soient réalisés dans un
laboratoire de recherche à forte dominante scientifique, il faut garder à l’esprit que notre sujet
s’émancipe quelque peu d’une recherche généralement qualifiée de fondamentale pour
converger vers une thématique beaucoup plus appliquée. De ce fait, l’athlète va retenir et
utiliser la méthode proposée uniquement si les bénéfices qu’il peut en retirer sont à la hauteur
de l’investissement quotidien qu’il devra fournir. L’idée reste difficile à admettre et encore
plus à justifier dans un écrit scientifique mais il n’en demeure pas moins que, dans certains
cas, nous devons malheureusement empiéter sur la fiabilité pour gagner en faisabilité. Si les
deux premières phases n’ont, manifestement, pas permis de statuer face à un choix
méthodologique qui suscite des divergences chez les auteurs dudit sujet, il existe un dernier
recours, rarement explicité voire difficilement avouable, car susceptible de venir heurter la
déontologie du chercheur. Nous évoquons ici la sensibilité personnelle qui, guidée par les
choix de certains de nos pairs ou par des travaux particulièrement marquants, nous permet
d’établir une partie de notre protocole de mesure. En d’autres termes, face à une ambivalence
méthodologique persistante ou, quelle que soit sa position, le chercheur s’exposera
inéluctablement aux critiques des reviewers, il semblerait que ce soit la sensibilité personnelle
qui prévale pour déterminer les choix ultimes. A notre sens, cette issue, bien que
particulièrement subjective, reste utilisée dans de nombreuses publications scientifiques et,
faute de solutions plus nobles, certaines de nos expérimentations ne font pas exception à la
règle.
166 | P a g e
Bibliographie
1. Al Haddad H, Laursen PB, Chollet D, Ahmaidi S, and Buchheit M. Reliability of resting and
postexercise heart rate measures. International journal of sports medicine. 2011;32(8):598-
605.
2. Aubert AE, Seps B, and Beckers F. Heart rate variability in athletes. Sports medicine
(Auckland, N.Z. 2003;33(12):889-919.
3. Bosquet L, Papelier Y, Leger L, and Legros P. Night heart rate variability during overtraining in
male endurance athletes. The Journal of sports medicine and physical fitness. 2003;43(4):506-
12.
4. Buchheit M, Al Haddad H, Laursen PB, and Ahmaidi S. Effect of body posture on postexercise
parasympathetic reactivation in men. Experimental physiology. 2009;94(7):795-804.
5. Buchheit M, Chivot A, Parouty J, Mercier D, Al Haddad H, Laursen PB, and Ahmaidi S.
Monitoring endurance running performance using cardiac parasympathetic function. Eur J
Appl Physiol. 2009;108(6):1153-67.
6. Cottin F, Slawinski J, Lopes P, Van de Louw A, and Billat V. Effect of a 24-h continuous walking
race on cardiac autonomic control. Eur J Appl Physiol. 2007;99(3):245-50.
7. Eckberg DL. Sympathovagal balance: a critical appraisal. Circulation. 1997;96(9):3224-32.
8. Guzik P, Piskorski J, Krauze T, Schneider R, Wesseling KH, Wykretowicz A, and Wysocki H.
Correlations between the Poincare plot and conventional heart rate variability parameters
assessed during paced breathing. J Physiol Sci. 2007;57(1):63-71.
9. Kiviniemi AM, Hautala AJ, Kinnunen H, Nissila J, Virtanen P, Karjalainen J, and Tulppo MP.
Daily exercise prescription on the basis of HR variability among men and women. Medicine
and science in sports and exercise. 2010;42(7):1355-63.
10. Kiviniemi AM, Hautala AJ, Kinnunen H, and Tulppo MP. Endurance training guided
individually by daily heart rate variability measurements. Eur J Appl Physiol. 2007;101(6):743-
51.
11. Kiviniemi AM, Tulppo MP, Hautala AJ, Vanninen E, and Uusitalo ALT. Altered relationship
between R-R interval and heart rate variability in overtrained endurance athletes. 17th
Annual ECSS-Congress. Bruges; 2012.
12. Mourot L, Bouhaddi M, Perrey S, Cappelle S, Henriet MT, Wolf JP, Rouillon JD, and Regnard J.
Decrease in heart rate variability with overtraining: assessment by the Poincare plot analysis.
Clinical physiology and functional imaging. 2004;24(1):10-8.
13. Niskanen JP, Tarvainen MP, Ranta-Aho PO, and Karjalainen PA. Software for advanced HRV
analysis. Computer methods and programs in biomedicine. 2004;76(1):73-81.
14. Pichon A, and Cornolo J. The effect of ventilation on spectral analysis of heart rate variability
during exercise. Respiratory Physiology & Neurobiology. 2006;150(2-3):118-9.
15. Pichon A, Roulaud M, Antoine-Jonville S, de Bisschop C, and Denjean A. Spectral analysis of
heart rate variability: interchangeability between autoregressive analysis and fast Fourier
transform. Journal of electrocardiology. 2006;39(1):31-7.
16. Plews DJ, Laursen PB, Kilding AE, and Buchheit M. Heart rate variability in elite triathletes, is
variation in variability the key to effective training? A case comparison. Eur J Appl Physiol. in
press.
17. Saboul D, Pialoux V, and Hautier C. The breathing effect of the LF/HF ratio in the heart rate
variability measurements of athletes. European Journal of Sport Science. in press.
18. Task-Force. Heart rate variability. Standards of measurement, physiological interpretation,
and clinical use. Task Force of the European Society of Cardiology and the North American
Society of Pacing and Electrophysiology. European heart journal. 1996;17(3):354-81.
19. Togo F, and Takahashi M. Heart rate variability in occupational health --a systematic review.
Industrial health. 2009;47(6):589-602.
167 | P a g e
Annexe 2 : Projets d’entreprise et développements
technologiques
168 | P a g e
Au cours de ces trois années de recherche, mon contrat CIFRE m’a permis d’avoir une
double approche avec, en complément du travail de recherche effectué au sein du laboratoire,
une problématique liée aux besoins de l’entreprise ALMERYS. Pour des raisons évidentes de
confidentialité, la description du contenu des projets auxquels j’ai pu participer ne pourra être
effectuée avec précision. Néanmoins, j’ai souhaité inclure à ce manuscrit de thèse les
développements technologiques en lien direct avec mon sujet de recherche.
Au sein de cette partie, nous allons aborder la description des fonctionnalités de deux
logiciels spécifiquement développés pour l’analyse de la variabilité de la fréquence cardiaque.
Le premier est utilisé uniquement par des chercheurs du laboratoire pour traiter les fichiers de
variabilité cardiaque. Le second a une vocation plus large puisqu’il devrait, dans un avenir
proche, être proposé aux sportifs désirant effectuer un suivi de forme à l’aide de mesures de
variabilités cardiaques régulières.
Dès la première année de thèse, nous avons très rapidement été confrontés à un
problème d’ordre purement technique : être capables d’analyser et traiter les enregistrements
de variabilité cardiaque issus de nos différents protocoles de recherche. Plusieurs logiciels
proposent déjà ce service aussi bien en version payante (Nevrokard) qu’en version libre
(Kubio HRV). Bien que ces logiciels soient scientifiquement validés et utilisés par de
nombreux chercheurs, nous devons nous adapter aux paramètres et méthodes de calculs
proposés par le constructeur et, dans certains cas, cela peut restreindre nos recherches. Pour
avoir accès au maximum de solutions d’analyse de la variabilité cardiaque, nous avons
développé notre propre logiciel qui présente l’avantage de pouvoir s’adapter à la plupart de
nos contraintes quelle que soit notre méthodologie. Ce logiciel a pour vocation d’être utilisé
uniquement par des chercheurs spécialistes du sujet. Par conséquent, aucune attention n’a été
portée à l’ergonomie de la plate-forme et nous nous sommes plutôt concentrés sur les
fonctionnalités.
169 | P a g e
Tout d’abord, le logiciel est capable d’extraire et d’interpréter les listes d’intervalles
RR issues des fichiers d’enregistrement cardiaque des principaux manufacturiers (Polar,
Suunto) mais également de fichiers ASCII qu’ils soient bruts ou déjà interpolés.
Mais le principal avantage d’un tel logiciel provient de la possibilité d’exploiter des
nouveaux marqueurs. En effet, en plus du calcul des principaux indices issus des domaines
temporel, non-linéaire et fréquentiel, nous avons développé de nombreux calculs permettant
d’obtenir automatiquement les valeurs de nouveaux marqueurs encore très peu utilisés au sein
de la littérature (RCFband, BW50). De plus, nous avons la possibilité de tester de nouveaux
marqueurs, issus de nos recherches théoriques, dont la description n’a encore jamais été
publiée.
170 | P a g e
l’ordinateur pour ensuite les envoyer par mail. De son coté, l’entraîneur doit télécharger les
données jointes par mail pour analyser les données RR via un logiciel spécifique et enregistrer
les valeurs des marqueurs retenus dans un logiciel type tableur pour enfin obtenir l’évolution
des marqueurs de la variabilité cardiaque au fil des jours. Il semblerait que des solutions
logicielles intégrant la majeure partie des étapes précédemment décrites puissent diminuer
significativement les contraintes de l’athlète et aussi de l’entraîneur. Pourtant, aucune solution
concrète ne semble être disponible sur le marché (solution basée sur des procédés d’analyse
scientifiquement validés). La pluralité méthodologique et les nombreuses controverses qui
entourent le sujet sont, à notre sens, à l’origine de l’étonnante retenue des entreprises pour
proposer des solutions logicielles concrètes. A titre d’exemple, nous avons été en contact
direct avec la plate-forme de recherche et développement de l’entreprise SUUNTO (Finlande)
qui n’est à ce jour, pas prête à développer un tel système pour cause de manque de fiabilité.
Par conséquent, il paraît intéressant d’étudier et de développer une application très spécifique
qui sera utilisable par un large public pas forcément expert dans le domaine de la variabilité
cardiaque.
La solution retenue par ALMERYS est une plate-forme accessible à la fois par
l’athlète et l’entraîneur via des comptes utilisateurs différents. L’athlète réalise son
enregistrement quotidien de variabilité cardiaque à l’aide d’une ceinture thoracique Bluetooth
qui communique en temps réel avec son Smartphone. Les données sont directement envoyées
sur le serveur qui filtre et analyse les intervalles RR avant d’en déduire la valeur des
marqueurs de la variabilité cardiaque. Les résultats sont enregistrés et les courbes de suivi à
long terme sont mises à jour avant d’êtres renvoyés sur le Smartphone de l’athlète (traitement
réalisé en temps réel). A tout moment, l’entraîneur peut avoir accès aux courbes de tendances
de l’athlète pour estimer son niveau de fatigue. Si la valeur (point de mesure) d’un jour donné
semble anormale, ce dernier a la possibilité de revenir sur l’enregistrement RR brut en
question afin de filtrer et d’analyser cette mesure manuellement.
171 | P a g e
Figure 1: Exemples d’illustrations proposés au comité exécutif d’ALMERYS. En haut : Page
d’accueil de l’application. En bas : Page affichant le graphique du suivi de l’état de forme
de l’individu.
L’objectif d’une telle plate-forme est avant tout de simplifier et réduire toutes les
étapes nécessaires à la réalisation d’un suivi à long terme par variabilité cardiaque qui
repoussent souvent les athlètes et les entraîneurs à utiliser cette méthode. Notre application
nécessite seulement de passer quelques minutes pour faire son enregistrement de variabilité
172 | P a g e
cardiaque et toute la partie transfert et analyse des données s’effectue de manière totalement
automatique (avec une rétroaction humaine possible en cas de valeurs suspectes). La présente
solution correspond à un « livrable » directement décliné des différents résultats des études,
publiées ou non, qui ont été réalisées au cours de ces trois années de thèse. Actuellement,
cette application n’est pas encore disponible dans le commerce mais les avancés récentes nous
laissent penser qu’elle devrait être proposée en beta version dans très peu de temps.
Dans le contexte actuel de l’entreprise, certains salariés peuvent parfois entretenir des
relations conflictuelles avec leurs collaborateurs ou leurs supérieurs hiérarchiques. De même,
ils peuvent traverser une période de forte charge de travail ou subir des pressions
inhabituelles. Ce climat délétère engendre généralement des troubles psychologiques qui,
dans les cas les plus extrêmes, peuvent provoquer un syndrome du « burn out ».
173 | P a g e
forme de dépression plus ou moins prononcée aient une variabilité globale plus faible avec
une forte diminution de l’athymie sinusale respiratoire.
Les résultats ont démontré que le simple fait de réaliser un exercice de respiration
profonde suffisait à faire diminuer le niveau de stress des individus mesuré par questionnaire
(scores respectifs de 33,2±9,6 points avant et 29,6±9,9 points après l’exercice; p<0,001). De
plus, il existe une relation significative entre le niveau de stress estimé après l’exercice à
l’aide du questionnaire et la mesure de la variabilité cardiaque (R=-0,35 ; p<0,05). De même,
nous avons trouvé une corrélation significative entre la diminution de stress mesuré par la
différence entre les résultats aux questionnaires réalisés avant et après l’exercice et la mesure
du niveau de stress estimé par la variabilité cardiaque (R=-0,45 ; p<0,05).
174 | P a g e
Figure 2: Exemple d’illustration projeté sur les écrans d’informations internes à l’entreprise pour communiquer sur
l’expérimentation réalisée directement sur les salariés du groupe.
175 | P a g e
d’une phase d’augmentation aigüe du niveau de stress (réunion avec un client important,… ).
Aussi, de futurs projets devraient rapidement voir le jour.
Cette commande a été réalisée par une fédération française de plus de 130000
licenciés. Le cahier des charges consiste à programmer une plateforme dédiée à la gestion du
quotidien des athlètes de haut niveau avec des possibilités très large. L’outil est à destination
des dirigeants, des entraîneurs et des sportifs avec les niveaux de droits différents.
Le sportif a accès à son planning avec, bien évidemment, ses entraînements mais
également d’autres évènements liés à sa vie quotidienne (scolaire, transport, médical,…). Une
attention toute particulière est apportée aux entraînements avec la description exacte des
exercices à réaliser (lieux, types, durée,…). A titre d’exemple, l’athlète peut effectuer une
séance de musculation en autonomie puisse qu’il a accès à des vidéos qui montrent chaque
exercice avec le poids, le nombre de répétition et le temps de récupération entre chaque
exercice. De la même manière, un exercice de type aérobie réalisé en « intermittence » sera
décrit avec la vitesse (ou % de FC de réserve) et la durée des phases de travail puis la vitesse
et la durée des phases de récupération ainsi que le nombre de répétition à effectuer.
176 | P a g e
planification de chaque athlète en se basant sur les courbes de charges mensuelles
prévues/réalisées mais également sur l’indice de monotonie et la contrainte engendrés. Les
dirigeants, ont accès à la plateforme pour créer, gérer et attribuer les comptes aux entraîneurs
et aux athlètes mais ils ont aussi la possibilité de faire évoluer la base de données contenant
tous les exercices.
Il m’a été proposé de participer à la gestion de ce projet en faisant le lien entre les
demandes de la cellule recherche et développement de la fédération (client) et les solutions
logicielles proposées par les programmeurs de notre société. En plus du suivi du projet, j’ai
également participé à l’élaboration des algorithmes qui permettent de faire interagir les
différents exercices contenus dans la base de données et à la programmation des calculs des
statistiques d’entraînement.
177 | P a g e
Figure 3: Page d’accueil de la plate forme CoachForme Santé développée par ALMERYS.
178 | P a g e
Annexe 3 : Article de vulgarisation paru dans le magazine
« Sport et Vie »
179 | P a g e
180 | P a g e
181 | P a g e
182 | P a g e
183 | P a g e
184 | P a g e
185 | P a g e
186 | P a g e
187 | P a g e
188 | P a g e
Annexe 4 : Article de vulgarisation paru dans le magazine
« Endurance - Trail »
189 | P a g e
190 | P a g e
191 | P a g e
192 | P a g e
193 | P a g e
194 | P a g e
Apports de la variabilité de la fréquence cardiaque
dans l’évaluation de la charge d’entraînement et le suivi d’athlètes :
Aspects méthodologiques et applications pratiques.
Résumé: Au cours des années 1980, il y a été prouvé que l’étude de la variabilité de la fréquence cardiaque
(VFC) permet d’estimer de façon non invasive l’activité du système nerveux autonome. Plus spécifiquement, de
nombreux travaux démontrent que des enregistrements réguliers de la VFC peuvent rendre compte de la capacité
d’adaptation d’un athlète à l’entraînement mais également de son état de fatigue. Bien que plusieurs auteurs suggèrent
d’utiliser cet outil directement sur le terrain, il semblerait que l’absence de méthodologie commune et unifiée rende
parfois difficile l’interprétation des résultats. Par conséquent, les travaux de recherche présentés au sein de ce manuscrit
suivent avant tout une orientation méthodologique avec, néanmoins, une finalité pratique. Une première étude s’intéresse
au ratio Basses fréquences/hautes fréquences (LF/HF) qui est communément utilisé comme marqueur de la fatigue. Nos
résultats démontrent que chez les athlètes, ce ratio est avant tout modulé par la fréquence de respiration du sujet et que,
contrairement à ce qui est couramment admis, une valeur supérieure à quatre ne traduit pas forcément un état de
surentraînement. La seconde étude compare l’évolution quotidienne des différents marqueurs de VFC pendant 21 jours de
suivi d’athlètes dans deux situations différentes : un enregistrement réalisé en respiration libre et un autre en respiration
contrôlée. Nous avons constaté que les marqueurs RMSSD et SD1 suivent exactement les mêmes tendances quelque soit
la méthode de respiration. A l’inverse, nos résultats démontrent une nouvelle fois que les indices fréquentiels sont avant
tout modulés par la fréquence de respiration de l’individu. La troisième étude s’intéresse à une nouvelle méthode
d’évaluation de la charge d’entraînement à l’aide de la VFC. Basée sur trois enregistrements qui intègrent à la fois les
perturbations homéostatiques générées par la séance et la vitesse de réactivation parasympathique, la formule proposée
permet de quantifier objectivement la charge d’entraînement dans des conditions de terrain. Les fortes interactions qui
existent entre la VFC et l’entraînement nous encouragent à poursuivre notre démarche d’investigation pour utiliser cet
outil dans le but d’individualiser et d’optimiser la planification d’entraînement des athlètes.
Abstract: During the 1980s, it was demonstrated that studying heart rate variability (HRV) makes it possible to
estimate the activity of the autonomic nervous system noninvasively. More specifically, many works showed that regular
recording of HRV can be used to monitor an athlete’s capacity to adapt to training and their fatigue. Although several
authors have suggested using this tool directly in the field, it appears that the lack of a common and uniform methodology
sometimes makes it difficult to interpret results. Therefore the research presented in this manuscript follows a
methodological tendency with, nonetheless, a practical objective. The first study focuses on the Low Frequency/High
Frequency (LF/HF) ratio commonly used as a fatigue indicator. Our results show that in athletes, this ratio is above all
modulated by the subject’s respiratory rate and that, contrary to what is currently accepted, a value higher than four does
not necessarily express a state of overtraining. The second study compares the daily evolution of different HRV markers
over 21 days monitoring of athletes in two different situations: recording of spontaneous breathing and of controlled
respiration. We observed that RMSSD and SD1 markers follow precisely the same trends whatever the breathing method.
Conversely, our results show once again that rate indexes are above all modulated by an individual’s breathing frequency.
The third study focuses on a new HRV-based method for evaluating training load. Based on three recordings that include
both the homeostatic disturbances generated by the session and the speed of parasympathetic reactivation, the method
proposed permits objectively quantifying training load under field conditions. The strong interactions existing between
HRV and training encourage us to continue our investigative approach and use this tool to individualize and optimize
athletes’ training programs.
195 | P a g e
Centre de Recherche et d’Innovation sur le Sport (CRIS - EA 647, UCBL1)
27-29 bd du 11 novembre 1918, bâtiment Raphaël Dubois, 69622 Villeurbanne Cedex