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
Damien Saboul
To cite this version:

Damien Saboul. 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. Médecine
humaine et pathologie. Université Claude Bernard - Lyon I, 2013. Français. �NNT : 2013LYO10083�.
�tel-01265039�
HAL Id: tel-01265039

https://tel.archives-ouvertes.fr/tel-01265039
Submitted on 30 Jan 2016
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Thèse
délivrée par
L’Université Claude Bernard – LYON 1

Pour l’obtention du
DIPLOME DE DOCTORAT
(arrêté du 7 août 2006)
Spécialité Sciences et Techniques des Activités Physiques et Sportives
Présentée par Damien SABOUL

Le 17 juin 2013
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
Mr C. COLLET PU Université Claude Bernard, Lyon 1 Président

Mr L. BOSQUET PU Université de Poitiers Rapporteur
Mr JC. BARTHÉLÉMY PU-PH Université Jean Monnet, Saint Etienne Rapporteur
Mr G. MILLET PU Université de Lausanne, Suisse Examinateur
Mr C. HAUTIER MCF-HDR Université Claude Bernard, Lyon 1 Directeur
Mr V. PIALOUX MCF-HDR Université Claude Bernard, Lyon 1 Co-directeur
Directeur de thèse : Dr Christophe Hautier

Co-Directeur de thèse : Dr Vincent Pialoux
Ecole doctorale : Ecole Doctorale Interdisciplinaire Science-Santé (EDISS)
Equipe de recherche : Centre de Recherche et d’Innovation sur le Sport (CRIS), EA 647
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.
Présentée par Damien SABOUL

‘‘ La sagesse c’est d’avoir des rêves suffisamment grands
pour ne pas les perdre de vue lorsqu’on les poursuit ’’
Oscar Wilde
Avant propos
Ce travail de recherche a été réalisé grâce à un partenariat entre le laboratoire de

recherche, CRIS - Centre de Recherche et d’Innovation sur le Sport - et l’entreprise
ALMERYS dans le cadre d’un contrat CIFRE (Convention Industrielle de Formation par la
Recherche). Par conséquent, ce travail de recherche a dû répondre aux exigences des deux
structures tout en maintenant une forte interaction entre le domaine recherche et le domaine
développement.
Dans le domaine de la recherche fondamentale et méthodologique, notre démarche

expérimentale consistait à élaborer des protocoles ayant pour but de déterminer et valider les
indicateurs de la variabilité de la fréquence cardiaque pouvant être utilisés dans le cadre de la
quantification des charges d’entraînement et du suivi de l’état de forme des sportifs.
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.
Bien que quelques références à la seconde partie de ce travail soient proposées en

annexe 2, le présent manuscrit s’intéresse principalement à la première partie du travail de
thèse avec l’exposition des résultats des travaux de recherches effectués au laboratoire. Il est
important de souligner que, de part ma formation d’ingénieur en informatique industrielle et
traitement du signal ainsi que dans le but de respecter la problématique initiale, la majorité de
ce travail présente avant tout une orientation méthodologique.
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
Articles dans des revues internationales à comité de lecture
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.
Participation à des ouvrages collectifs
1- Saboul D. Faire face à la pluralité des méthodes en physiologie de l’exercice : illustrations

dans le domaine de la variabilité de la fréquence cardiaque. Quidu, M. (Ed.). (Sous presse, A
paraître en 2013). Les sciences du sport en mouvement, Tome II, Innovations théoriques et
implications pratiques. Paris: L'Harmattan (Collection Le mouvement des savoirs)
Vulgarisation – diffusion de connaissances
3 - Rota S, Saboul D. Intérêts de l'utilisation de la variabilité de la fréquence cardiaque pour

le suivi de la charge d'entraînement à long terme en tennis. Soumis dans ITF coaching and
sport science Review.
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
Congrès scientifiques internationaux
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.
Congrès scientifiques nationaux
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.
Congrès scientifiques Divers
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
1 - Saboul D. et Balducci P. Utilisation de la FC et de la VFC dans la préparation d'une

course d'ultra endurance. Salon de l’UTMB, Chamonix 2012.
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 1 : La régulation autonome de la fréquence cardiaque 14

1.1. Le débit cardiaque. 15
1.2. La régulation du débit cardiaque. 15
1.3. Le système de conduction cardiaque. 16
1.4. Le système nerveux autonome. 17
1.5. Liaisons entre le système nerveux autonome et le cœur. 18
1.6. Communication entre le système nerveux autonome et le cœur. 19
1.7. Méthodes de mesure et d’évaluation de l’activité du système nerveux autonome. 21
Partie 2 : Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque 22

2.1. Le domaine temporel. 23
2.2. Le domaine non-linéaire. 26
2.3. Le domaine fréquentiel. 29
2.3.a. Théorie 29
2.3.b. Application à la variabilité de la fréquence cardiaque 33
2.3.c. Le pluralisme des méthodes 35
2.4. Conclusion. 37
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
D. CONCLUSION GENERALE ET PERSPECTIVES 123

1. Conclusion générale 124
2. Perceptives 126
E. RÉFÉRENCES BIBLIOGRAPHIQUES 128
F. ANNEXES 141
Annexe 1 : Chapitre d’ouvrage 142
Annexe 2 : Projets d’entreprise et développements technologiques 168

2.1. Logiciels d’analyse de la variabilité cardiaque 169
2.1.a. Analyse de fichiers bruts 169
2.1.b. Suivi long terme du sportif 170
2.2. Suivi du stress en entreprise 173
2.3. Projets transverses 176
2.3.a. Plate-forme de gestion des sportifs professionnels 176
2.3.b. CoachForm santé 177
Annexe 3 : Article de vulgarisation paru dans le magazine « Sport et Vie » 179
Annexe 4 : Article de vulgarisation paru dans le magazine « Endurance - Trail » 189
6|Page
Table des illustrations
1. Liste des figures.
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.
Tableau 1: Différences anatomiques et physiologiques entres les branches sympathiques et

parasympathiques du système nerveux autonome. ............................................................................. 20
Tableau 2: synthèse des principaux marqueurs de la variabilité de la fréquence cardiaque ............... 38
9|Page
A. Introduction
générale
10 | P a g e
A. Introduction générale
Tout au long de la vie, la fréquence cardiaque est sous l’influence permanente du

système nerveux autonome. Plus précisément, c’est l’action des deux branches antagonistes
sympathique et parasympathique qui permet, respectivement, de diminuer ou d’augmenter
l’intervalle de temps qui s’écoule entre deux battements cardiaques par l’intermédiaire de
micro-variations de l’ordre de quelques dizaines de millisecondes. Depuis maintenant trois
décennies, l’étude de ces variations, plus communément appelée analyse de la variabilité de la
fréquence cardiaque, est considérée comme une technique non invasive permettant d’évaluer
l’activité du système nerveux autonome d’un individu. Au sein de la littérature, nous pouvons
remarquer qu’il existe trois domaines d’analyse, temporel, non-linéaire et fréquentiel,
regroupant chacun plusieurs indices de la variabilité cardiaque. Bien qu’il existe quelques
divergences chez les auteurs, il semblerait que ces marqueurs puissent nous renseigner sur
l’activité de l’une des deux branches du système nerveux autonome ou sur l’équilibre
sympathovagale.
De nombreux travaux ont permis de démontrer que la variabilité cardiaque était

sensible à de multiples facteurs aussi bien intrinsèques qu’extrinsèques à l’individu (position,
fréquence de respiration, moment de la mesure, facteurs cognitifs, âge, activité physique,
pathologies, …). Ainsi, les résultats de plusieurs études ont été déclinés au sein de divers
domaines d’application sous forme de méthodes concrètes permettant, notamment, de suivre
l’évolution de certaines pathologies ou le niveau de stress des individus.
Ce travail de thèse s’intéresse plus particulièrement à la relation entre la variabilité de

la fréquence cardiaque et l’activité physique et sportive chez les athlètes. En effet,
l’entraînement, qu’il soit pratiqué de façon aiguë ou à plus long terme, provoque
inéluctablement des perturbations au niveau de l’activité du système nerveux autonome, qui,
d’un point de vue de la variabilité cardiaque, se traduisent par une modulation de l’équilibre
sympathovagale. Ainsi, les auteurs ont pu démontrer que l’utilisation des marqueurs de la
variabilité cardiaque pouvait rendre compte de l’adaptation, positive ou négative, à un cycle
d’entraînement de manière à aider l’entraîneur à individualiser la charge d’entraînement des
athlètes en fonction du niveau de fatigue de chacun. Néanmoins, nous devons admettre que de
nombreuses controverses entourent le sujet aussi bien au niveau de la méthode
d‘enregistrement que du traitement ou de l’interprétation des données. Cette absence de
consensus a généré, au sein de la littérature scientifique, un tel pluralisme méthodologique
que, d’un point de vue pragmatique, il s’avère difficile d’établir une méthode de mesure de
11 | P a g e
A. Introduction générale
terrain permettant de suivre de manière totalement objective la relation aptitude-fatigue des

athlètes.
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.
L’objectif de ce travail est de contribuer modestement au développement d’une

méthode normalisée de mesure de la variabilité cardiaque dans le cadre d’un suivi à long
terme des athlètes. L’idée étant, pour mon entreprise, de proposer une solution logicielle
concrète qui permette aux athlètes et aux entraîneurs de suivre en temps réel l’évolution de
l’état de forme et d’adapter la charge d’entraînement afin de prévenir le surentraînement.
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
Partie intégrante du système cardiovasculaire, le cœur a pour fonction principale de

pomper le sang pour le redistribuer à travers tout notre corps par l’intermédiaire des vaisseaux
sanguins. Chaque cellule peut ainsi obtenir l’oxygène et les nutriments nécessaires à sa survie
tout en éliminant le dioxyde de carbone et les déchets métaboliques qu’elle produit.
Parallèlement, cette circulation assure d’autres fonctions vitales comme le transport des
hormones des glandes endocrines vers les organes cibles, le maintien de la température
corporelle ou encore la régulation de l’équilibre acido-basique de l’organisme et des fluides
corporels [45].
1.1. Le débit 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].
1.2. La régulation du débit cardiaque.
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
d’intrinsèque, comme le système de conduction cardiaque, de ceux qui sont qualifiés

d’extrinsèque, comme le système nerveux autonome [146,233].
1.3. Le système de conduction cardiaque.
La régulation du rythme de base de la fréquence cardiaque est régie par le système de

conduction du cœur qui fait partie intégrante du tissu cardiaque. Composé de cellules auto-
excitables, le muscle cardiaque est doué d’une propriété tout à fait spécifique qui lui permet
de générer sa propre activité électrique. Ainsi, au cours d’une transplantation, lorsque l’on
conserve un cœur dans un milieu de culture, il continue à battre à un rythme constant de
100bpm malgré qu’il soit déconnecté de toute stimulation nerveuse. Ce rythme de base est
dicté par le nœud sinusal (parfois appelé centre rythmogène) qui synchronise la contraction de
toutes les cellules du muscle cardiaque en générant des impulsions électriques (influx) à
travers la totalité des fibres du myocarde grâce aux disques intercalaires qui les unissent
« électriquement ». Au cours de la révolution cardiaque, les influx (dépolarisation et
repolarisation) se propagent à travers les différentes régions du cœur dans un ordre donné et
avec une vitesse très précise (paroi des oreillettes, nœud auriculo-ventriculaire, paroi des
ventricules, faisceau de His, réseau de Purkinje). Cette succession d’étapes produit un
battement cardiaque complet pendant lequel les oreillettes et les ventricules se contractent
puis se relâchent pour expulser le sang du cœur. D’un point de vue extérieur, l’analyse d’un
cycle de révolution cardiaque peut être réalisée à l’aide de l’enregistrement d’un
électrocardiogramme (ECG) qui reflète, par l’intermédiaire de cinq ondes normalement
visibles, la dépolarisation des oreillettes (onde P), la dépolarisation des ventricules (complexe
QRS) ainsi que la repolarisation des ventricules (onde T) (La repolarisation des oreillettes
étant masquée par le complexe QRS) (voir Figure 1) [145,146].
16 | P a g e
Figure 1: Représentation des 5 ondes composant un battement cardiaque d’un

sujet sain. Illustration personnelle adaptée de Marieb et al. [146].
1.4. Le système nerveux autonome.
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
Figure 2: Principaux rôles des branches sympathiques et parasympathiques du système nerveux autonome.
Illustration de Amine et al. [6].
1.5. Liaisons entre le système nerveux autonome et le cœur .
Le centre cardioaccélérateur (branche sympathique) prend sa source au niveau du

bulbe rachidien et se projette jusqu'à la moelle épinière (segment T1 à T5). Par la suite, les
influx sont transmis via des neurones pré-ganglionnaires jusqu’aux ganglions cervicaux et
thoraciques supérieurs des troncs sympathiques. Pour terminer, le cœur est innervé par
l’intermédiaire de neurofibres post-ganglionnaires qui sont directement connectées aux nœuds
sinusal et auriculoventriculaire. Pour sa part, le centre cardioinhibiteur (branche
parasympathique) prend sa source uniquement au niveau du noyau dorsal du nerf vague situé
au sein du bulbe rachidien. Les influx transitent par l’intermédiaire du nerf vague qui est
connecté aux ganglions parasympathiques logés dans la paroi du cœur. De là, les influx
inhibiteurs sont transmis au cœur via des neurofibres qui sont directement connectées aux
nœuds sinusal et auriculoventriculaire (voir Figure 3) [6,145,146,162].
18 | P a g e
Figure 3: Représentation des liaisons des deux branches du système

nerveux autonome avec le cœur. Illustration de Marieb et al. [146].
1.6. Communication entre le système nerveux autonome et le cœur .
Qu’elles fassent partie du système nerveux sympathique ou parasympathique, les

neurofibres pré-ganglionnaires libèrent un neurotransmetteur appelé l’acétylcholine (Ach). A
l’inverse, les deux branches antagonistes de notre système nerveux autonome se distinguent
au niveau de leurs neurofibres post-ganglionnaires puisque de l’acétylcholine est encore
libérée par les neurofibres de la branche parasympathique (neurofibres cholinergiques) alors
19 | P a g e
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].
Tableau 1: Différences anatomiques et physiologiques entres les branches sympathiques et parasympathiques du

système nerveux autonome.
Système nerveux Système nerveux

Parasympathique Sympathique
Diminution Augmentation
Rôle
de la fréquence cardiaque de la fréquence cardiaque
Dans le bulbe rachidien Du bulbe rachidien

Lieux d’origine au niveau du noyau dorsal jusqu'à la moelle épinière
du nerf vague (segment T1 à T5)
Longueur des neurofibres

Longues Courtes
pré-ganglionnaires
Neurotransmetteur
Acétylcholine Acétylcholine
pré-ganglionnaires
Zones cervicales et
Logement des ganglions Dans la paroi du cœur partie supérieure du tronc
sympathique thoracique
Longueur des neurofibres

Courtes Longues
post-ganglionnaires
Neurotransmetteur
Acétylcholine Noradrénaline
post-ganglionnaires
nœuds sinusal et nœuds sinusal et

Connexion avec le cœur
auriculoventriculaire auriculoventriculaire
20 | P a g e
1.7. Méthodes de mesure et d’évaluation de l’activité du système nerveux
autonome.
Comme le souligne Constant et al., la plupart des tests cliniques d’évaluation de

l’activité du système nerveux autonome sont basés sur l’étude de la réponse à un stimulus
(adaptation à un stress) [60]. Les deux méthodes les plus couramment utilisées sont la mesure
des variations de la pression artérielle et des variations de la fréquence cardiaque lors d’une
immersion de la main dans de l’eau glacée (cold pressor test), lors d’un stress mental (calcul à
réaliser le plus vite possible,…) ou lors d’une épreuve de respiration ample et forcée [6]. De
manière plus précise, la balance entre le tonus sympathique et le tonus parasympathique est
généralement évaluée lors de différents tests cliniques (Epreuve d’orthostatisme, manœuvre
de Valsava, test de Ewing, test de Hilsted,…). Une autre méthode consiste à réaliser une
mesure de l’impédance cutanée lors d’un stimulus « éveillant » approprié (sonore, visuel,
émotionnel,…). Les variations de résistance des tissus cutanés, induites par la stimulation des
glandes sudoripares (sous contrôle cholinergique), reflètent l’activité sympathique du système
nerveux autonome [59]. En cas de besoin plus spécifique, il existe également des méthodes
plus coûteuses qui sont généralement assez lourdes à mettre en place voir même invasives. Le
dosage des catécholamines ou de la noradrénaline (taux plasmique) peut par exemple nous
renseigner sur le fonctionnement du système nerveux autonome (voie sympathique) tout
comme la méthode de mesure de l'activité nerveuse sympathique musculaire par
microélectroneurographie. Parmi les outils d’évaluation de l’activité du système nerveux
autonome, la mesure de la variabilité de la fréquence cardiaque reste la méthode qui propose
sans doute le meilleur compromis entre faisabilité et validité. En effet, la variabilité cardiaque
et ses différents marqueurs sont reconnus depuis de nombreuses années comme pouvant
refléter l’activité du système nerveux autonome [10,214,217]. Plus spécifiquement,
l’implication du système nerveux autonome dans la régulation cardiaque se traduit par des
fluctuations périodiques régulières de l’intervalle RR dont les vitesses d’oscillations,
différentes suivant la branche concernée, reflètent à la fois l’activité du système nerveux
sympathique et parasympathique.
21 | P a g e
Partie 2 : Méthodologie et procédés d’analyse
de la variabilité de la fréquence cardiaque
22 | P a g e
Partie 2. Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque
Lorsque l’on réalise une analyse de la variabilité de la fréquence cardiaque, il existe

plusieurs procédés mathématiques permettant de quantifier l’activité du système nerveux
autonome. Bien que chacun d’entres eux génère des indices différents, nous retiendrons qu’ils
reposent tous sur le même principe qui consiste à étudier l’évolution des écarts de temps entre
chaque intervalle R-R. En d’autres termes, toutes les formules mathématiques d’analyse de la
variabilité de la fréquence cardiaque se basent sur une suite numérique qui représente l’écart
de temps, généralement exprimé en millisecondes, de tous les intervalles R-R enregistrés (voir
Figure 4).
Figure 4: Représentation d’un enregistrement d’électrocardiogramme ou figure le temps

qui s’est écoulé entre chaque intervalle RR. Illustration personnelle.
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.
2.1. Le domaine temporel.
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
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.
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
ܰ
෍
݆ ൌͳ
തതതത ൌ
‫ ݁݊݊݁ݕ݋ܯ‬ൌ ܴܴ
ܰ
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.
ܾܰ൫หܴܴ݆ െ ܴܴ݆ െͳ ห൯ ൐ ͷͲ݉‫ݏ‬

‫ܰܰ݌‬ͷͲ ൌ ܺͳͲͲ
ܰെͳ
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
ܰെ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].
2.2. Le domaine non-linéaire.
Plusieurs méthodes d’analyse peuvent être associées au domaine non-linéaire de la

variabilité de la fréquence cardiaque qui, par définition, traduit le fait que la sortie (effet) d’un
système physique ne soit pas proportionnelle à son entrée (action) [10,143]. Nous retiendrons
que seuls deux marqueurs, nommés SD1 et SD2, sont discutés dans de nombreuses
publications [10,214]. Ces deux indices sont issus de la représentation en diagramme de
Poincaré (voir Figure 6). Dans ce graphique, chaque point de coordonnées (x,y) est construit à
l’aide de deux intervalles RR consécutifs tel que : la durée de l’intervalle RR actuel (RRi) est
représentée sur l‘axe des x, et la durée de l’intervalle RR suivant (RRi+1) est représentée sur
l’axe des y. Comme le montre la figure ci-dessous, SD1 représente l’écart type (dispersion)
des points suivant l’axe qui est perpendiculaire à la ligne identité (x=y) et SD2 représente
l’écart type des points suivant l’axe de la ligne identité.
26 | P a g e
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].
D’un point de vue mathématique, le SD1 et le SD2 peuvent également se calculer

directement sans nécessairement passer par la représentation de Poincaré à l’aide des deux
équations suivantes [170].
ͳ σܰ തതതതതത
݆ ൌʹ ሺሺܴܴ ݆ െܴܴ ݆ െͳ ሻെ‫ ܴܴܧ‬ሻ; σܰ
݆ ൌʹ ሺܴܴ ݆ െܴܴ ݆ െͳ ሻ
ܵ‫ ͳܦ‬ൌ ට ‫ כ‬ሺ തതതതതത ൌ
ሻ; avec ‫ܴܴܧ‬
ʹ ܰെͳ ܰെͳ
ܵ‫ ʹܦ‬ൌ ඥʹ ‫ ;ܰܰܦܵ כ‬െ ܵ‫ ;ͳܦ‬avec SDNN défini précédemment.
Physiologiquement parlant, le marqueur SD1 représente principalement l’activité

parasympathique d’un individu et est parfaitement corrélé à l’indice temporel RMSSD
27 | P a g e
[87,118,224]. A l’inverse, le marqueur SD2 reflète plutôt l’activité globale du sujet et

entretient d’étroites relations avec l’indice temporel SDNN [32,87,224]. Le fait qu’il existe de
fortes similitudes entre ces deux marqueurs non-linéaires et certains indices du domaine
temporel réduit quelque peu leur utilité mais nous retiendrons qu’ils conservent malgré tout
un intérêt graphique non négligeable puisque, par l’intermédiaire de la représentation de
Poincaré, certains auteurs ont démontré qu’il existait une relation significative entre la
« concentration » des points entre eux et le risque de pathologie (cardiovasculaire,…) chez un
sédentaire ou de surentraînement chez le sportif (voir Figure 7) [134,163].
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
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. Le domaine fréquentiel.
2.3.a. Théorie
Avant d’aborder la description des différents marqueurs du domaine fréquentiel, il

semble important d’illustrer ce qu’est, d’un point de vue mathématique et physique, le
domaine fréquentiel d’un signal. Basé sur une théorie énoncée par Joseph Fourier en 1807, le
domaine fréquentiel n’est autre que la représentation d’une fonction périodique comme une
« somme infinie de fonctions trigonométriques » de fréquences multiples d'une fréquence
fondamentale. En d’autre terme, tout signal temporel, périodique et stationnaire, peut être
décrit à l’aide d’une fonction composée uniquement d’une somme de sinusoïdes de
fréquences et d’amplitudes différentes tel que :
λ
݊ߨ‫ݐ‬ ݊ߨ‫ݐ‬
݂ሺ‫ݐ‬ሻ ൌ ܽͲ ൅ ෍ ൬ܽ݊ ൅ ܾ݊ ൰
ܶ ܶ
݊ൌͳ
Le passage du domaine temporel au domaine fréquentiel d’un signal se réalise

à l’aide d’une transformée de Fourier qui a pour formule littérale :
൅λ
݂ሺߥሻ ൌ න ݂ሺ‫ݐ‬ሻ݁ െ݅ʹߨߥ‫ݐ݀ ݐ‬
െλ
Plus spécifiquement, nous avons pour habitude de représenter un signal dans le

domaine fréquentiel à l’aide d’un graphique représentant la densité spectrale de puissance
(DSP) ou l’axe des x représente les fréquences (en hertz) et l’axe des y représente les
amplitudes (puissance en millisecondes2 pour la variabilité de la fréquence cardiaque) de
chacune des fréquences composant le signal. Ainsi, si l’on considère une fonction sinus
constituée d’une fréquence de 0,10 Hz (soit 1 période toute les 10 secondes), d’une valeur
moyenne de 1000 millisecondes et d’une amplitude de 100 millisecondes, nous obtiendrons
une représentation temporelle telle que celle présentée à la Figure 8.
29 | P a g e
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.
Figure 9: Représentation fréquentielle de la sinusoïde de fréquence 0,10 Hz précédemment

décrite. Illustration personnelle.
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
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 1 : Fréquence = 0,02 Hz, Amplitude = 50 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
Figure 11: Représentation temporelle d’une sinusoïde composée des trois sinusoïdes de l’illustration précédente.
Illustration personnelle
L’avantage de la transformée de Fourier et de la représentation de sa DSP dans le

domaine fréquentiel est donc énorme puisque, comme l’illustre la Figure 12 qui représente le
spectre de puissance de ce même signal, nous pouvons aisément remarquer qu’il est composé
de trois raies de fréquences différentes (0,02 Hz ; 0,10 Hz et 0,25 Hz).
Figure 12: Représentation fréquentielle de la précédente sinusoïde (composée de trois sinusoïdes

de fréquence et d’amplitude différentes). 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
la sinusoïde de droite (0,25 Hz) présente une amplitude temporelle de ξͲǡ͸Ͷ ൌ 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).
2.3.b. Application à la variabilité de la fréquence cardiaque
Suite à cette brève introduction théorique de la transformée de Fourier et de la

représentation d’un signal dans le domaine fréquentiel, nous pouvons remarquer que les
avantages de cette méthode sont nombreux et, par conséquent, qu’elle est utilisée dans de
multiples domaines d’application allant de l’économie (évolution de la bourse) à la météo
(évolution de la température, des précipitations,…) en passant par la médecine (régulation
hormonale,…). En effet, tout phénomène cyclique dont la résultante peut être constituée d’une
somme de plusieurs sous- systèmes de périodes différentes peut être analysé et expliqué
beaucoup plus précisément grâce à une représentation fréquentielle du signal initial. Hors,
comme nous venons de l’évoquer dans une précédente section, l’implication du système
nerveux autonome dans la régulation cardiaque se traduit par des fluctuations périodiques
régulières dont les vitesses d’oscillations, différentes suivant la branche concernée, reflètent à
la fois l’activité du système nerveux sympathique et parasympathique. Aussi, il est tout à fait
intéressant et justifié d’analyser un enregistrement de la variabilité de la fréquence cardiaque
dans le domaine des fréquences.
Comme l’illustre la Figure 13, le spectre de puissance d’un enregistrement de

variabilité de la fréquence cardiaque est constitué de multiples fréquences et les chercheurs
ont pour habitude de découper cette DSP en trois bandes de fréquences différentes :
Les très basses fréquences [0 ; 0,04] Hz appelées VLF.
Les très basses fréquences [0,04 ; 0,15] Hz appelées LF.
Les très basses fréquences [0,15 ; 0,40] Hz appelées HF.
33 | P a g e
Figure 13: Exemple de représentation fréquentielle d’un signal de variabilité cardiaque avec les trois bandes de
fréquences VLF, LF et HF. Illustration personnelle.
Physiologiquement, les VLF (Very Low Frequency) reflètent des mécanismes de

régulation à long terme comme la thermorégulation ou la régulation hormonale mais, de part
leurs difficultés d’interprétation, elles ne sont que très rarement considérées au sein des
analyses de variabilité de la fréquence cardiaque [20,214]. Il semblerait que les LF (low
Frequency) reflètent avant tout l’activité sympathique de notre système nerveux autonome. En
effet, certains auteurs ont observé que sous l’effet d’injection d’inhibiteurs du sympathique
(propranolol,…) il y avait un effondrement de l’énergie fréquentielle des LF [4,151,174].
Néanmoins, l’interprétation des LF comme reflet unique de l’activité sympathique du système
nerveux autonome reste controversée puisque la majorité des auteurs soutiennent que les LF
seraient modulées à la fois par les branches sympathique et parasympathique de notre système
nerveux autonome [214]. Inversement, les oscillations HF (high frequency) seraient liées à
l’action du nerf vague sur le cœur puisqu’elles disparaissent après blocage par injection
d’atropine [3,174]. Aussi, tous les auteurs s’accordent à dire que la puissance des HF reflète
l’activité parasympathique du système nerveux autonome [214]. Nous soulignerons que ses
différentes interprétations des bandes de fréquences LF et HF concordent relativement bien
avec les temps d’action des neurotransmetteurs comme la noradrénaline (10 à 15 secondes
soit 0,06 à 0,10 Hz – accélérateur - système sympathique) ou l’acétylcholine (3 à 4 secondes
34 | P a g e
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].
2.3.c. Le pluralisme des méthodes
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
Chacune des méthodes précédemment citées se retrouve au sein des publications

scientifiques et, dans notre contexte, nous pouvons remarquer qu’il n’existe malheureusement
pas de consensus méthodologique sur l’algorithme le plus approprié à l’étude de la variabilité
cardiaque. En d’autres termes, à notre connaissance, il n’y a aucune revue de littérature qui
propose un avis clair, précis et totalement objectif sur la question et, généralement, la plupart
d’entres elles se contentent de présenter les avantages et inconvénients de plusieurs méthodes
en concluant que chacune fournit des résultats similaires [10,217]. Néanmoins, d’autres
articles susciteront la confusion du scientifique en démontrant l’absence d’interchangeabilité
de ces mêmes méthodes [185]. Mais cette pluralité se retrouve également au sein même de
chaque méthode où d’autres choix méthodologiques s’offrent à nouveau aux chercheurs. Pour
illustrer nos propos, nous pouvons décrire les étapes successives nécessaires à la transformée
de Fourier, qui reste la méthode la plus populaire.
Un enregistrement de variabilité cardiaque regroupe une suite d’intervalles RR qui, par

définition, ne sont pas espacés de manière constante et présentent des micro-variations. A
l’inverse, la transformée de Fourier ne peut se baser uniquement sur une suite des données
discrètes et échantillonnées exactement à la même fréquence. Ainsi, la première
transformation mathématique de notre série d’intervalle RR consiste à faire une interpolation
qui peut, par exemple, être linéaire, polynomiale ou encore cubique [168,170,189]. Or, il
semblerait que toutes les méthodes précédemment évoquées soient utilisées dans des
publications s’intéressant à la variabilité de la fréquence cardiaque et, de fait, participent à la
pluralité méthodologique.
Avant d’utiliser réellement la transformée de Fourier, une ultime étape consiste à

choisir la méthode de fenêtrage adéquate. En effet, la transformée de Fourier implique que la
partie du signal analysé soit périodique et stationnaire. En d’autres termes, chaque fréquence
doit être présente en tout point du signal (principe de stationnarité) et le signal doit
comprendre un nombre entier de périodes (principe de périodicité) pour que la recombinaison
ne crée pas d’effet de « leakage » (fréquences parasites aux extrémités du signal). Etant donné
que nous ne connaissons pas la période propre de notre signal, il est nécessaire de pondérer les
points placés au début et à la fin du signal à l’aide d’une « fenêtre » pour diminuer cet effet de
« leakage ». Une fois de plus, il existe différentes formes de fenêtres (Rectangulaire, Hanning,
Haming, Backman, Flat Top) qui permettent par exemple de réduire au maximum les effets de
leakage tout en modifiant énormément le signal de base (Flat Top – conservation des
fréquences) ou alors de conserver la totalité du signal avec un effet de leakage très important
36 | P a g e
(rectangulaire – conservation des amplitudes). Le compromis étant une fenêtre de Hanning

[89,207]. Ainsi, le chercheur devra à nouveau établir son choix méthodologique en fonction
de plusieurs paramètres à la fois liés à sa propre problématique et aux caractéristiques du
signal qu’il cherche à analyser. Malheureusement, il semblerait que dans le contexte de la
variabilité cardiaque, aucun consensus ne permette de savoir qu’elle est la fenêtre la plus
adéquate et plusieurs méthodes sont utilisées dans les publications.
Il est important de souligner que cette pluralité méthodologique se retrouve également

au sein d’une analyse autorégressive (avec le choix de l’ordre et du modèle sélectionné) ou
d’une transformée en ondelettes (avec le choix de la forme de l’onde mère, du facteur
d’échelle et du paramètre de translation). En d’autres termes, le chercheur est confronté à de
nombreux choix méthodologiques et ce quelque soit l’algorithme de traitement du signal
retenu. D’un point de vue pratique, l’absence d’un consensus clair et précis entraîne de
nombreuses controverses et rend difficile toutes comparaisons rationnelles d’études
similaires.
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
Tableau 2: synthèse des principaux marqueurs de la variabilité de la fréquence cardiaque
Domaine Nom Description
Fréquence cardiaque
Mean RR (HR) (bpm)
Moyenne
SDNN (ms) Variabilité globale

Temporel
Variabilité court terme
RMSSD (ms)
Parasympathique

pNN50 (%)
Parasympathique

SD1 (ms)
Parasympathique
Non-linéaire
SD2 (ms) Variabilité globale
Très basses fréquences

VLF (ms²)
Mécanisme long terme
[0-0,04] Hz
comme la thermorégulation
Basses fréquences
LF (ms²)
système sympathique
[0,04-0,15] Hz
et parasympathique
Fréquentiel HF (ms²) Hautes fréquences

[0,15-0,4] Hz système parasympathique
TP (ms²)
Variabilité globale
[0-0,4] Hz
LF/HF Balance sympathovagale
38 | P a g e
Partie 3 : Les principaux facteurs influant
lors d’une analyse de la variabilité de la
fréquence cardiaque
39 | P a g e
Partie 3. Les principaux facteurs influant lors d’une analyse de la variabilité de la fréquence cardiaque
Chacun des marqueurs précédemment décrits est sous l’influence permanente de

nombreux paramètres qui peuvent modifier significativement le résultat d’une analyse de la
variabilité de la fréquence cardiaque. Ainsi, il est nécessaire de tenir compte voire même de
contrôler ces variables en fonction du cadre méthodologique de chaque étude. Au vu de
l’étendue des paramètres qui peuvent influencer les résultats d‘une analyse de la variabilité de
la fréquence cardiaque, nous avons été contraints, au sein de ce chapitre, de ne retenir que
ceux qui, à notre sens, semblent pertinents dans le cadre d’une utilisation de la variabilité de
la fréquence cardiaque chez les athlètes.
3.1. Moment de la mesure.
Le contrôle nerveux du système cardiovasculaire observe un rythme circadien qui

entraîne de larges différences entre les phases diurnes et nocturnes [102,157]. D’un point de
vue de la variabilité de la fréquence cardiaque, les résultats d’une analyse peuvent largement
fluctuer en fonction de la période à laquelle est effectuée l’enregistrement [150]. Plus
spécifiquement, l’activité autonome présente une forte dominance sympathique au cours de la
journée alors que, au cours de la nuit, nous pouvons observer une augmentation de l’activité
parasympathique qui demeure élevée durant les premières heures qui suivent le réveil
[103,150].
Cette influence du rythme nycthéméral sur l’activité du système nerveux autonome

apparaît très importante puisque plusieurs études démontrent qu’elle persiste malgré la
privation de sommeil [64,193]. Ainsi, lors d’une course au large de 30 heures en voilier sans
aucune phase de sommeil, Portier et al. ont rapporté que le RMSSD s’élevait
significativement durant la phase nocturne (valeur enregistrée à 2 heures du matin) pour
remonter à des valeurs semblables au jour précédent, lors de la phase diurne [193]. De même,
lors d’un exercice de marche à pied continu de 24 heures, Cottin et al. rapportent une
augmentation de l’énergie fréquentielle au cours de la nuit (VLF, LF et HF) alors que ces
valeurs diminuent au cours de la journée [64].
40 | P a g e
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.
3.2. Position de l’individu durant la mesure .
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
De nombreuses études se sont intéressées au sujet de l’influence de la posture et il

s’avère que c’est la comparaison entre les positions couchée et debout qui est le plus
fréquemment abordée au sein de la littérature. Nous pouvons admettre que chaque variable de
la variabilité de la fréquence cardiaque est significativement affectée par la position. Ainsi, les
marqueurs temporels comme le SDNN, le RMSSD ou encore le pNN50 donnent des valeurs
plus faibles dans la position debout comparativement à la position couchée [10,149]. D’un
point de vue fréquentiel, il en est de même pour la puissance totale et les HF (exprimé aussi
bien en unité normalisée qu’en énergie brute (ms²)) mais nous observons le cheminement
inverse pour les LF qui sont plus importantes en position debout plutôt qu’en position
couchée. Buchheit et al. expliquent que lors de la position debout, le sang du système veineux
central a tendance à se déplacer vers les membres inférieurs provoquant ainsi une
augmentation de l’activité vasomotrice sympathique. Ceci afin de préserver la pression
artérielle et d’éviter à l’individu de tomber en syncope vagale [37]. Cette augmentation de
l’activité sympathique est également déclenchée par la nécessité d’activer les muscles
posturaux contribuant au maintien de l’équilibre. A l’inverse, nous observons une plus grande
activité parasympathique en position couchée [10]. Cette dominance peut en partie
s’expliquer par l’apparition d’une forte stimulation vagale qui permet la synchronisation
respiratoire (arythmie sinusale respiratoire) [61,149].
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
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]).
Plus spécifiquement, la redistribution de l’énergie fréquentielle dans les bandes LF et

HF lors d’un tilt test actif (sans table basculante) a fait l’objet de nombreux travaux dans le
domaine de l’activité physique et sportive [97,163,226]. Très concrètement, en temps normal,
l’athlète présente une forte dominance parasympathique en position couchée (HF) et une forte
dominance sympathique en position debout (LF). A l’inverse, il semblerait qu’une variation
anormale des marqueurs fréquentiels de la variabilité cardiaque lors du passage de la position
couchée à la position debout traduise un état de surentraînement [226]. Une typologie de la
fatigue a ainsi pu être décrite avec une différenciation de l’origine de la fatigue (i.e.
orthosympathique ou parasympathique) en fonction de la comparaison de la quantité
d’énergie présente dans les bandes LF et HF dans chacune des positions. [98,127].
Néanmoins, l’interprétation de ces résultats reste très controversée et il existe de nombreuses
divergences par rapport à l’utilité du tilt test dans le cadre de la détection du surentraînement
chez les sportifs [88]. A notre sens, la principale difficulté de l’interprétation des résultats
d’un tilt test effectué chez un athlète provient du fait qu’en position couchée, certains d’entres
eux présentent naturellement une grande quantité d’énergie spectrale dans la bande LF
(provoquée par l’influence d’une respiration lente et profonde comme nous allons l’aborder
lors de la partie suivante). Par conséquent, un état de surentraînement est généralement
43 | P a g e
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.
Au sein de la littérature, nous pouvons également retrouver des études s’intéressant à

l’influence d’autres positions sur les marqueurs de la variabilité de la fréquence cardiaque. A
titre d’exemple, nous retiendrons que certains auteurs ont travaillé sur la position assise qui,
comparativement à la position couchée, entraîne une sollicitation de la branche sympathique
et une diminution de l’activité parasympathique [182]. Néanmoins, cette sollicitation
sympathique reste « intermédiaire » par rapport à la position debout [37]. D’autres travaux,
issus de la recherche en aérospatiale, discutent l’effet de la position allongée sur un lit
basculant avec la tête légèrement en bas (de -6° à -12°) pour simuler les effets de la
microgravité (voir de l’apesanteur) [117]. En réalisant une analyse de variabilité cardiaque
dans cette posture, certains auteurs montrent une diminution des HF et une augmentation de
LF (en unités normalisées) par rapport à une position parfaitement horizontale [110,130].
Ainsi, un simple basculement de la tête est directement perçu par les mécanorécepteurs du cou
et les organes otolithes de l’oreille interne qui envoient des messages au système nerveux
autonome pour réguler les branches sympathique et parasympathique en conséquence [171].
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].
Nous retiendrons que la posture qu’observe un l’individu lors d’un enregistrement de

la variabilité de la fréquence cardiaque doit nécessairement faire partie de la liste des
variables contrôlées puisque toute modification de posture entraîne des modifications
significatives au niveau des marqueurs.
3.3 Fréquence et méthode de respiration .
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
produit une accélération du rythme cardiaque (tachycardie) et, a contrario, l’expiration

stimule le système nerveux parasympathique et induit un ralentissement du cœur
(bradycardie) [17]. Appelée arythmie sinusale respiratoire, l’origine de ces oscillations
rythmiques produites par la respiration peut être associée à plusieurs facteurs [21,69,129].
Premièrement, elle est due à l’influence directe des neurones médullaires respiratoires sur les
neurones cardiomoteurs [21,100]. Ensuite, nous retiendrons que c’est également la stimulation
de l’activité baroréflexe, due à l’augmentation de la pression artérielle lors de la phase
d’inspiration, qui conduit à ces variations de l’activité du système nerveux autonome [17].
Pour terminer, les barorécepteurs cardio-pulmonaires ou des récepteurs d’étirement du
poumon peuvent également participer à cette interaction cardiorespiratoire [82,96].
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].
Lorsque l’on observe un enregistrement de variabilité de la fréquence cardiaque d’un

sujet présentant une forte arythmie sinusale respiratoire, nous pouvons voir apparaître une
onde sinusoïdale dont chacune des périodes coïncide avec un cycle de respiration de
l’individu. D’un point de vue fréquentiel, cette onde correspond à une grande quantité
d’énergie qui vient se concentrer autour de la fréquence de respiration de l’individu en
formant un pic particulièrement visible sur le spectre de puissance (voir figure ci-dessous)
[35,69]. Ce pic d’énergie reflète uniquement l’influence de la respiration sur l’activité
cardiaque et, dans certains cas, il peut considérablement perturber et modifier les marqueurs
fréquentiels de la variabilité de la fréquence cardiaque [35,68,155,211]. A titre d’information,
ce point sera plus largement abordé au sein de notre première étude.
45 | P a g e
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.
En position allongée au repos, un sédentaire présente généralement une fréquence de

respiration libre proche de 0,25 Hz (soit 1 cycle toute les 4 secondes) [19,192]. Néanmoins, il
a été démontré que sous l’effet de l’entraînement, la fréquence respiratoire libre pouvait
diminuer et atteindre des valeurs proches de 0,15 Hz (soit 1 cycle toute les 6,67 secondes)
[154,155,211,216]. Dans certains cas, les athlètes issus des disciplines à dominante aérobie
peuvent même présenter des fréquences de respirations spontanées de 0,10 Hz (soit 1 cycle
toute les 10 secondes) qui résultent d’une adaptation positive à l’entraînement [29,67]. De
plus, il a été démontré que l’arythmie sinusale respiratoire était plus marquée chez les sportifs
que chez les sédentaires [66]. Lors d’une analyse de la variabilité de la fréquence cardiaque
dans le domaine fréquentiel, nous étudions la quantité d’énergie présente dans les bandes de
fréquences LF et HF qui sont respectivement comprises entre 0 ,04 Hz et 0,15 Hz et entre
0,15 Hz et 0,40 Hz. Ainsi, suivant le rythme respiratoire que nous adoptons au cours de
l’enregistrement, nous pouvons faire augmenter « artificiellement », via l’arythmie sinusale
respiratoire, la puissance spectrale des LF au détriment des HF et inversement [35,206].
Fort de ce constat, de nombreux auteurs ont tenté de mesurer l’impact du rythme

respiratoire sur la mesure de la variabilité cardiaque et dans la plupart des publications, une
comparaison est effectuée entre la respiration spontanée et différents modèles de respiration
46 | P a g e
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].
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 l’apparition d’un pic d’énergie centré autour
de chacune des fréquences de respirations imposées [179].
A la lecture de ces différents résultats, nous pouvons remarquer que certains

marqueurs de la variabilité de la fréquence cardiaque sont étroitement liés et dépendants de la
fréquence de respiration de l’individu au cours de l’enregistrement. Afin d’augmenter la
reproductibilité entre les mesures effectuées d’un jour à l’autre, certains auteurs ont proposé
de contrôler cette interaction en imposant toujours la même fréquence respiratoire lors de la
47 | P a g e
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].
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].
Pour contourner cette difficulté, certains auteurs ont proposé d’individualiser la

fréquence de respiration imposée en fonction de la fréquence de respiration naturelle de
chaque individu ou, plus généralement, des spécificités cardiorespiratoires de la cohorte
48 | P a g e
étudiée [19,67,95,154]. Néanmoins, il s’avère que le contrôle de la respiration en lui-même

reste une tâche cognitive qui nécessite un certain niveau de concentration pour suivre le
rythme imposé par le métronome. Ce qui peut entraîner des perturbations non négligeables au
niveau de la balance sympathovagale [19]. Ainsi, certains auteurs ont pu démontrer que des
modifications au niveau des marqueurs fréquentiels LF et HF existaient même si la mesure
effectuée en respiration contrôlée était réalisée à une fréquence fixe calquée sur le rythme de
respiration naturel propre à chaque individu [15].
Pour conclure, quelles que soient la méthode (libre ou contrôlée) et la fréquence de

respiration, l’arythmie sinusale respiratoire peut perturber significativement les variables
fréquentielles d’un enregistrement de variabilité de la fréquence cardiaque et il paraît
nécessaire de tenir compte de cette influence lors de chacune des études qui s’intéresse à la
variabilité cardiaque. La question de l’influence de la respiration sur les marqueurs de la
variabilité cardiaque sera plus spécifiquement discutée au sein de la seconde partie de notre
manuscrit [200,201].
3.4. Autres facteurs
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].
De nombreux auteurs s’accordent à dire qu’un transfert de la balance sympathovagale

s’opère durant la phase de sommeil à ondes lentes avec une dominance sympathique qui
s’atténue petit à petit au profit d’une dominance parasympathique [2,72,221,222]. A l’inverse,
la dernière phase (sommeil paradoxal) est caractérisée par une dominance sympathique
similaire à la période de veille précédant l’endormissement [2,72,229].
49 | P a g e
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].
Dans le cadre d’un suivi d’athlètes à l’aide de la variabilité de la fréquence cardiaque

(suivi de l’entraînement, prévention du surentraînement), plusieurs auteurs suggèrent de
pratiquer des enregistrements nocturnes afin de réduire les perturbations causées par la
journée [27,187]. Nous pouvons remarquer qu’au sein de la littérature, tous les résultats ne
vont pas forcément dans le même sens avec des auteurs qui soulignent, ou non, une
corrélation entre les marqueurs de la variabilité de la fréquence cardiaque et la charge
d’entraînement (ou le surentraînement) [27,41,105,188]. Ces divergences peuvent en partie
être attribuées aux variations de protocoles qui, avec des périodes d’enregistrements
différentes au cours de la nuit, ne perçoivent pas forcément les mêmes résultats en fonction de
la phase de sommeil dans laquelle se trouve le sujet pendant la mesure [31,41,81,105].
3.4.b. Alimentation
Bien que certains auteurs réfutent l’influence de l’alimentation sur la variabilité de la

fréquence cardiaque [5], il semblerait que la majorité des études démontrent le contraire
[65,71,137]. En effet, après l’ingestion d’aliments, il se produit une redistribution du sang
vers le tube digestif pour répondre aux sollicitations créées par la digestion. Ainsi, cette
perturbation n’est pas sans conséquence pour les branches sympathiques et parasympathiques
du système nerveux autonome puisque l’on observe une augmentation de la balance
sympathovagale qui semble être attribuée à une augmentation de l’activité sympathique
[65,71] et à une diminution de l’activité vagale dans l’heure qui suit la digestion [137]. Il
50 | P a g e
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
Au repos, un état de déshydratation entraîne une réduction du volume plasmatique et

une redistribution du sang vers la peau pour maintenir la température centrale de l’organisme
[47]. Le système cardiovasculaire est alors fortement sollicité pour répondre à ce manque
d’eau. Ainsi, dans des conditions de déshydratation avancée, il est possible d’observer des
troubles, voire même des arrêts, du rythme cardiaque [158]. Plus spécifiquement, des pertes
hydriques de l’ordre de 2,5 % du poids de corps suffisent à augmenter significativement la
fréquence cardiaque [53]. En parallèle, nous pouvons observer une baisse de l’activité globale
du système nerveux autonome. Toutefois, si l’on s’intéresse à la répartition de l’énergie
spectrale de puissance, il est intéressant de souligner que, chez les sujets déshydratés, une
grande partie de l’énergie sympathique est redistribuée dans la bande des hautes fréquences
51 | P a g e
[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.
3.4.d. Ambiance locale durant la mesure
Au sein de cette section, nous tentons de regrouper les différents paramètres,

constituant l’ambiance locale et l’atmosphère dans lesquelles le sujet se trouve lorsqu’il
effectue un enregistrement de la variabilité cardiaque, qui peuvent influencer ou perturber la
mesure.
A titre d’exemple, la modification de la température ambiante va moduler l’activité du

système nerveux autonome, via la sollicitation des centres thermorégulateurs présents dans
l’hypothalamus, pour entraîner soit une vasodilatation et une sudation en cas de chaleur soit
une vasoconstriction et des frissons en cas de froid. Ainsi, augmenter la température du milieu
dans lequel évolue l’athlète de 21°C à 35°C fait chuter l’activité globale du système nerveux
autonome en moins de 30 minutes d’exposition [235]. De plus, en représentant les bandes de
fréquences en unité normalisée, on s’aperçoit que c’est principalement l’activité
parasympathique qui diminue sans pour autant modifier l’activité sympathique [33,235]. Ce
constat a également été relevé dans le domaine temporel puisque Bruce-Low et al.
enregistrent une décroissance de plus de 83,4 ± 7 % pour le marqueur RMSSD lors d’une
exposition de 15 minutes à 74°C [36]. A l’inverse, une stimulation par le froid aura pour effet
d’augmenter la composante haute fréquence d’un signal de variabilité cardiaque [141] et dans
des conditions extrêmes comme la cryothérapie (-110°C), d’accroître très fortement les
variables temporelles parasympathiques [232].
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
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).
3.4.e. Activité cognitive et émotions
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
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
A la vue de notre cadre méthodologique, nous nous devons de discuter plus

spécifiquement les effets de l’anxiété sur les indices de la variabilité cardiaque. En effet, à
l’approche d’une compétition, il est très fréquent que l’athlète soit de plus en plus anxieux, ce
qui peut entraîner des modifications immédiates de l’activité du système nerveux autonome.
Plus précisément, Cervantes Blasquez et al. ont relevé que comparativement à une mesure
effectuée avant un entraînement standard, les mesures effectuées juste avant une compétition
montraient un effondrement de l’activité vagale aussi bien au niveau des marqueurs temporels
et non-linéaires que fréquentiels (respectivement RMSSD, SD1 et HF) [49]. De plus, il
semblerait que les athlètes de niveau international soient moins affectés par cette soudaine
dominance sympathique comparativement à des athlètes de niveau national [160].
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
Lorsque l’on s’intéresse à la fréquence cardiaque, nous pouvons remarquer qu’une

multitude de publications mettent en évidence l’existence d’une relation étroite entre la
fréquence cardiaque maximale, l’âge et le sexe de l’individu (La formule d’Astrand étant la
plus populaire) [8]. Similairement, de nombreux auteurs ont travaillé sur la relation entre la
variabilité de la fréquence cardiaque en fonction de l’âge et du sexe du sujet. Tout le monde
s’accorde à dire que la variabilité globale, représentée par le marqueur temporel SDNN ou la
puissance totale du signal, diminue significativement avec l’âge [135,240]. Plus précisément,
il semblerait que l’activité sympathique et parasympathique décroisse à part égale, tout au
long de la vie d’un individu [135].
55 | P a g e
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
Historiquement, l’utilisation de la variabilité de la fréquence cardiaque a été

démocratisée à des fins thérapeutiques et de nombreux auteurs ont démontré l’étroite relation
qu’entretenaient ses différents marqueurs avec plusieurs pathologies [217]. Bien que cela ne
soit pas le thème central de notre manuscrit, nous proposons ici un bref récapitulatif de l’effet
de certaines pathologies sur l’activité du système nerveux autonome.
56 | P a g e
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].
Il est également important de souligner l’existence d’une relation étroite entre la

variabilité cardiaque et la stabilité psychologique [184]. Ainsi, comparativement à des sujets
contrôle, les individus atteints d’une dépression sévère (plus de 25 points sur l’échelle de
dépression de Hamilton) présentent des enregistrements de variabilité cardiaque différents
avec une baisse notable de l’activité parasympathique sans pour autant entraîner
d’augmentation de l’activité sympathique du système nerveux autonome [1,198].
57 | P a g e
Pour résumer, de nombreuses pathologies peuvent modifier considérablement la valeur

des indices de la variabilité de la fréquence cardiaque et, une nouvelle fois, ce facteur doit être
ajouté à la longue liste des paramètres pouvant influencer un enregistrement.
3.5. Conclusion
A la lecture de ce chapitre, qui expose les nombreux facteurs influençant la variabilité

de la fréquence cardiaque, il semble très difficile d’entreprendre toute comparaison rationnelle
entre les résultats d’études au cours desquelles les enregistrements n’ont pas été pratiqués
dans des conditions similaires. Ainsi, de nombreuses études issues de la littérature scientifique
ne peuvent malheureusement pas toujours être comparées les unes aux autres. En d’autres
termes, il existe une pluralité méthodologique qui rend difficile l’exploitation des résultats
puisqu’ils sont en partie liés aux différents choix méthodologiques réalisés par le chercheur.
Ce constat a été plus largement discuté au sein d’un chapitre d’ouvrage rédigé au cours de
cette thèse et qui s’intéresse à la pluralité méthodologique ainsi qu’aux controverses
récurrentes qui entourent l’étude de la variabilité de la fréquence cardiaque (voir annexe 1).
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
long terme d’une activité physique
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.
4.1. Effets d’un exercice aigu.
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].
Immédiatement après le début de l’exercice, l’augmentation de la fréquence cardiaque

se poursuit à la fois grâce à un renforcement de l’activité sympathique et à une très forte
diminution de l’activité parasympathique [236]. Néanmoins, d’un point de vue purement
rationnel, l’énergie brute contenue dans chaque bande de fréquence, et donc l’énergie totale
du signal, diminue au fur et à mesure que la demande métabolique augmente [7,63,183]. En
d’autres termes, c’est uniquement la représentation en unité normalisée qui permet d’observer,
de manière relative, la décroissance de la bande des hautes fréquences ainsi que la croissance
de la bande des basses fréquences [180]. Au sein de leur revue de littérature, Aubert et al.
rapportent que plusieurs auteurs ont démontré l’existence d’une relation proportionnelle entre
l’intensité de l’exercice et l’évolution de la part de chacune des deux branches du système
nerveux autonome [10]. Bien que ce fondement ait été confirmé pour des valeurs de faible
intensité obtenues au début de l’exercice, il semblerait que des résultats divergents aient
largement discrédité cette relation lors d’exercice à forte demande métabolique [183]. En
effet, Perini et al. ont, par exemple, observé que la diminution de l’activité des hautes
fréquences (toujours exprimée en unité normalisée) et l’augmentation des basses fréquences
se poursuivaient jusqu’aux alentours d’une intensité correspondant à un débit d’oxygène de 2
L.min-1 [180]. A ce moment précis, les auteurs enregistrent une tendance totalement inversée
60 | P a g e
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].
Fort de ce constat et à la lecture des multiples controverses entourant le sujet, de

nombreux auteurs s’accordent à dire que l’étude de la variabilité de la fréquence cardiaque au
cours de l’exercice reste problématique et dépendante de nombreux paramètres (influence de
la respiration, contrôle de l’intensité, type d’exercice, traitement du signal) [10]. Bien que la
diminution de l’activité globale de l’activité du système nerveux autonome au cours d’un
exercice ne soit en aucun cas remise en question, il semblerait que la part de l’activité des
branches orthosympathique et parasympathique ne puisse être estimée précisément par
l’intermédiaire des marqueurs traditionnels [186,231]. Ainsi, Cottin et al. mais également
Perini et al. concluent leurs travaux en précisant que les modifications observées dans les
bandes LF, HF ainsi que la modulation du ratio LF/HF au court de l’effort ne reflètent pas la
décroissance de l’activité vagale et l’activation du système sympathique lorsque la charge
s’accentue [63,183].
4.2. Effets immédiats après l’exercice .
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
variabilité cardiaque (RMSSD, LF, HF ou TP) [40,83,113,116,148,208]. De plus, cette

diminution de l’activité globale du système nerveux autonome est également très fortement
liée à d’autres marqueurs de l’intensité comme l’échelle RPE (Rating Scale of Perceived
Exertion) ou le taux de lactate sanguin post-exercice [113,208]. Ainsi, plus l’intensité de
l’exercice sera élevée plus la variabilité cardiaque mesurée après l’exercice sera faible.
Il est nécessaire de préciser que la relation « baisse de la variabilité – intensité de

l’exercice » n’a de validité uniquement dans le cadre de mesures effectuées immédiatement
après l’exercice (entre 2 et 5 minutes maximum). En effet, le simple fait de stopper l’exercice
influence à nouveau la variabilité de la fréquence cardiaque en déclenchant simultanément
une augmentation de l’activité vagale et une réduction de l’activité sympathique [113,204].
Durant la première minute qui suit l’arrêt de l’exercice, la diminution de la fréquence
cardiaque est généralement attribuée au seul fait de l’augmentation de l’activité vagale [181].
Par la suite, il semblerait que ce soit la combinaison de l’augmentation de l’activité vagale et
de la diminution de l’activité sympathique qui contribuent à faire chuter la fréquence
cardiaque [113,181]. Plus spécifiquement, de nombreux auteurs ont démontré que dès la fin
de l’exercice, les variables RMSSD, HF et TP commençaient à ré-augmenter au fur et à
mesure de la mise en place du processus de récupération [113,114,148,208]. Ainsi, de
nombreuses publications s’intéressent à la réactivation de l’activité parasympathique post-
exercice en analysant l’évolution des différents marqueurs de la variabilité cardiaque à la suite
d’un exercice [40,83,115,116,208]. A titre d’exemple, Kaikonen et al. comparent deux
séances continues de 21 minutes chacune à des intensités de 80 et 85% de la vitesse
maximale aérobie des sujets. Ils enregistrent la puissance totale du signal de variabilité
cardiaque (exprimée en ln de ms²) avant et pendant les 30 minutes qui suivent l’exercice.
Avec des valeurs respectives de 8,3±0,6 et 8,0±0,6 avant l’exercice (non significatif) les sujets
observent une baisse de variabilité globale les amenant à des valeurs de 2,6±0,8 et 2,2±0,4 à
la fin de l’exercice. La réactivation parasympathique permet aux marqueurs de remonter petit
à petit pour atteindre 6,8±0,7 et 5,7±1,1 (p<0,05) au bout de 30 minutes de récupération. Les
auteurs concluent que l’intensité de l’exercice joue un rôle non négligeable dans la
réactivation vagale post-exercice [116]. Des travaux similaires ont permis de démontrer que
des paramètres comme la durée de l’exercice ou encore le fait qu’il soit réalisé en intermittent
ou en continu peuvent aussi influencer la cinétique et la vitesse de récupération des marqueurs
parasympathiques [113,114]. Partant du même constat, Seiler et al. démontrent que cette
vitesse de récupération dépend également du niveau d’entraînement de l’athlète [208]. Ainsi,
62 | P a g e
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.
Pour résumer, il semblerait que la réactivation du tonus parasympathique soit un

processus complexe et multifactoriel qui dépende aussi bien de la demande musculaire,
cardiovasculaire et métabolique de l’exercice mais également du niveau d’entraînement de
l’athlète ainsi que de son état de fatigue actuel [10,114,208]. De ce fait, la cinétique de
réactivation des marqueurs de la variabilité cardiaque a été récemment utilisée pour quantifier
la charge d’entraînement notamment dans les nombreux travaux de Kaikonen et al. [113-116].
Pour plus de détails, nous avons plus largement abordé la relation « charge d’entraînement –
réactivation post-exercice » au cours d’une étude qui sera discutée au sein de la troisième
partie de ce manuscrit.
4.3. Effets quelques heures après l’exercice .
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
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
4.4. Effets les jours suivants un exercice.
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
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.
4.5. Effets d’un entraînement régulier.
Plusieurs auteurs ont relevé d’importantes différences entre les enregistrements

effectués chez des sujets entraînés comparativement à des sujets sédentaires. Plus
spécifiquement, il semblerait que la totalité des marqueurs de la variabilité cardiaque soient
affectés par l’effet d’un entraînement régulier avec une augmentation globale de l’activité du
système nerveux autonome [194]. Pour le domaine temporel, Martinelli et al. enregistrent une
valeur moyenne SDNN de 59,1±36,5 ms pour un groupe de sédentaires alors que le groupe de
cycliste présente une valeur moyenne de 89,9±24,8 ms (p<0,05) [147]. Il en est de même pour
66 | P a g e
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].
Nous pouvons souligner que des différences apparaissent également en fonction du

type d’entraînement puisque de plus grandes valeurs de RMSSD sont visibles chez les athlètes
pratiquant des entraînements à dominante aérobie comparativement à des athlètes issus d’une
discipline à dominante anaérobie [9]. De plus, il semblerait qu’une forte variabilité cardiaque
soit avant tout liée à des capacités cardiorespiratoires élevées plutôt qu’à une forte charge
d’entraînement [39]. La différenciation étant délicate puisque ces deux paramètres évoluent
généralement de concert.
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
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].
Nous pouvons noter que si l’augmentation de la majorité des marqueurs de la

variabilité cardiaque est visible dès les premières semaines d’entraînement, le
68 | P a g e
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].
De même, il est intéressant de souligner que seule une augmentation raisonnable de la

charge d’entraînement provoque une adaptation positive de l’activité du système nerveux
autonome avec une augmentation des marqueurs de la variabilité cardiaque. En effet, bien que
cela ne soit pas encore considéré comme du surentraînement, certains auteurs ont démontré
qu’une forte augmentation de la charge d’entraînement avait pour effet de diminuer l’activité
globale du système nerveux autonome (basses fréquences et hautes fréquences) tout en
entraînant la dominance vagale vers une dominance sympathique (i.e. augmentation
progressive de la part de l’activité des basses fréquences exprimées en unité normalisée)
[106,109] ou encore de saturer l’augmentation de l’énergie des hautes fréquences [123].
Malgré de nombreux résultats significatifs qui mettent en lumière les différences et

modifications de l’activité du système nerveux autonome en lien avec la pratique d’une
activité physique et sportive régulière, la plupart des auteurs que nous avons précédemment
évoqués rapportent l’existence de variations interindividuelles considérables rendant difficile
toute interprétation rationnelle [93,223]. De plus les mécanismes qui sous-tendent la relation
entre l’activité vagale initiale et la réponse à un cycle d’entraînement restent quelque peu
spéculatifs [92]. De ce fait, nous pouvons conclure ce chapitre en admettant que seules des
comparaisons entre groupes (sédentaires vs. entraînés) peuvent rendre compte, en moyenne,
d’une plus forte variabilité cardiaque chez les athlètes. Cependant, si l’on considère les sujets
individuellement, il est nécessaire de s’intéresser à l’augmentation relative de l’activité du
système nerveux autonome pour rendre compte de l’effet d’un cycle d’entraînement ou d’un
gain en performance puisque la valeur brute de variabilité cardiaque dépendra de beaucoup
d’autres facteurs indépendants de l’entraînement [81,92]. En d’autres termes, un individu
présentant une plus forte variabilité cardiaque que son collègue d’entraînement n’aura pas
nécessairement une capacité cardiorespiratoire plus développée ou un niveau de performance
plus élevé que son camarade.
4.6. Effets du surentraînement.
Les méthodes actuelles d’entraînement proposent, entre autre, d’augmenter

graduellement la charge de travail jusqu’à créer volontairement une surcharge d’entraînement
69 | P a g e
induisant de la fatigue. La période de récupération qui s’en suit permet d’obtenir un

phénomène de surcompensation amenant ainsi l’athlète à un niveau de performance (i.e.
aptitude) supérieur à celui du départ [12,42]. Ainsi, la fréquence des entraînements, leurs
charges et le temps de récupération sont en permanence modulés par les entraîneurs dans le
but de faire évoluer les paramètres « aptitude » et « fatigue » des athlètes en fonction des
objectifs à venir (compétitions). Dans certains cas, il arrive que la charge d’entraînement soit
trop élevée et/ou que la période de récupération ne soit pas assez longue. L’individu entre
alors dans une phase que l’on nomme le surentraînement et qui se traduit par une forte
accumulation de fatigue et une incapacité à réaliser une performance [26,127]. Dès lors, une
longue période de récupération est nécessaire ce qui, dans les cas les plus avancés, peut
provoquer un arrêt précoce de la saison d’un athlète de haut niveau. Il a été démontré que ce
« fléau » touchait 65% des athlètes professionnels au moins une fois dans leurs carrières [161]
mais qu’il pouvait aussi atteindre de nombreux individus pratiquant une activité physique non
professionnelle [234]. De nombreux auteurs se sont intéressés au sujet afin d’en comprendre
les mécanismes, d’être capable de le quantifier, mais surtout d’essayer de le prévenir [25,77].
Ainsi, différentes méthodes et outils ont été développés au fil du temps avec des solutions
plus ou moins contraignantes pour les athlètes [73,74,225].
Plus spécifiquement, il semblerait que certains marqueurs de la variabilité de la

fréquence cardiaque soient également sensibles au surentraînement [10,26]. En effet, il a été
démontré que le surentraînement provoquait des déséquilibres hormonaux (i.e. modification
de la concentration des catecholamines) et donc du système nerveux autonome [132]. Bien
que cela reste discutable et controversé, Israel et al. suggèrent que d’un point de vue clinique,
deux types de surentraînement soient distingués avec un surentraînement de type sympathique
et un autre de type parasympathique [10,107].
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
Globalement, nous retiendrons que c’est principalement le premier type de

surentraînement qui apparaît le plus fréquemment au sein de la littérature scientifique. Ainsi,
les résultats de Mourod et al. démontrent que, en plus d’une diminution significative de
l’énergie totale du signal (2970±2947 Vs. 6092±3554 ms²), le surentraînement provoque une
forte augmentation de l’activité des basses fréquences (1153±1487 Vs. 511±602 ms²) couplé à
une forte diminution de l’activité des hautes fréquences (463±715 Vs. 1105±781 ms²) [163].
De même, les travaux de Iellamo et al. illustrent que, lors d’une phase d’entraînement
particulièrement difficile et intensive, l’activité du système nerveux autonome passe d’une
dominante parasympathique à une dominante sympathique [106].
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].
A la lecture de ce chapitre, il semblerait que de nombreuses divergences rendent

difficile l’établissement d’un consensus sur la relation entre le surentraînement et les
différents indices de la variabilité de la fréquence cardiaque. En effet, bien que la méta-
analyse de Bosquet et al. montre une légère augmentation de la balance du système nerveux
autonome lors d’une phase de surentraînement (i.e. ratio LF/HF), Purvis et al. concluent leur
revue de littérature en admettant que la majorité des résultats entretiennent une confusion avec
des études qui ne montrent pas de changement ou alors des modifications contradictoires de
l’activité des branches sympathique et parasympathique [26,195]. A notre sens, plusieurs
facteurs peuvent, en partie, expliquer ces controverses :
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
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].
Deuxièmement, une des causes de ces divergences peut également provenir de la

confusion lors de la détermination du degré de surentraînement de chacun des sujets inclus
dans le protocole d’étude. En effet, bien qu’un consensus ait été clairement établi pour
décrire les trois stades du surentraînement (i.e. (1) - dépassement fonctionnel, (2) -
dépassement non fonctionnel et (3) - syndrome du surentraînement - que l’on retrouve
généralement au sein de la littérature sous les acronymes respectifs FOR, NFOR et OTS)
[153], l’attribution d’un de ces trois stades à un athlète, apparemment surentraîné, demeure
très délicat à effectuer en pratique. En d’autres termes, il n’est pas impossible que des erreurs
aient été commises lorsque les auteurs ont cherché à attribuer les effets des 3 stades du
surentraînement sur chacun des indices de la variabilité cardiaque.
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
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].
4.7. Vers un suivi long terme.
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
mais aussi d’éviter de tomber en état de surentraînement [43,51]. Au sein de la littérature,

nous pouvons retrouver de nombreuses publications proposant des modèles de planification et
d’optimisation de l’entraînement très concrets qui permettent de guider l’entraîneur dans ces
choix de programmation [22,85]. Malgré tout, il existe de très fortes variations
interindividuelles en réponse à un plan d’entraînement type et il semblerait que
l’individualisation de l’entraînement soit, plus que tout, la clé de la réussite [28,85].
Plusieurs outils sont à la disposition de l’entraîneur pour l’aider à individualiser les

séances d’entraînement avec, à titre d’exemples, des calculs de fréquence cardiaque de
réserve, des tests de vitesse maximale aérobie ou des mesures de VO2 max qui permettent
d’individualiser les vitesses ou intensités d’entraînements en fonction des capacités
cardiovasculaires et cardiorespiratoires propres à chaque individu [22,120,131]. A plus long
terme, les méthodes de Foster et Banister, respectivement basées sur le ressenti de l’athlète et
la fréquence cardiaque moyenne, permettent d’observer l’évolution de la charge, de la
monotonie et de la contrainte induite par les différents entraînements de sorte à adapter la
programmation à venir en fonction du suivi personnel de chaque individu [11,74,75]. Bien
que ces méthodes restent simples à mettre en œuvre, nous retiendrons qu’un tel suivi est basé
sur des données subjectives pour Foster et des mesures qui sont valables uniquement lors de
séances aérobie pour Banister (i.e. impossible de quantifier la charge d’entraînement d’une
séance de musculation avec Banister) [24,76,138]. De plus, aucune d’entre elles ne permet
clairement d’évaluer le niveau de fatigue actuel d’un athlète [24].
A l’inverse, nous venons de voir que la variabilité de la fréquence cardiaque est

particulièrement sensible à une charge d’entraînement (principalement aérobie mais
également anaérobie et musculaire [40,52]) et qu’elle permet d’évaluer le niveau de fatigue
d’un athlète afin de prévenir du surentraînement [10]. Fort de ce constat, plusieurs auteurs ont
effectué des études longitudinales, par l’intermédiaire de mesures régulières de variabilité
cardiaque, afin de suivre l’adaptation à la charge d’entraînement et l’évolution du niveau de
fatigue des athlètes [92].
Ainsi, Pichot et al. évaluent l’activité du système nerveux autonome durant 4

semaines à l’aide d’enregistrements de variabilité cardiaque bi-hebdomadaire réalisés la nuit
[188]. Les trois premières semaines sont composées de séances d’entraînement intensives et la
dernière semaine d’un repos relatif. Comparativement à la première semaine, le RMSSD
diminue en moyenne de 17 % puis 39 % lors des semaines 2 et 3 avant de remonter à 120 %
74 | P a g e
lors de la dernière semaine. La hausse significative du RMSSD lors de la période d’affutage

corrélée à la diminution du niveau de fatigue des athlètes (i.e. baisse significative du score de
fatigue) permet aux auteurs de conclure sur l’intérêt de l’utilisation de la variabilité cardiaque
pour optimiser et individualiser les planifications d’entraînements des athlètes de façon
totalement objective [188]. De même, Garet et al., qui s’intéressent à la relation entre
l’activité du système nerveux autonome et la performance chez des nageurs durant une
période de cinq semaines, démontrent que des mesures régulières de variabilité cardiaque
constituent un indicateur de choix pour rendre compte de la contrainte induite par
l’accumulation des entraînements mais également par d’autres sources de stress pouvant
générer de la fatigue [81].
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
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.
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].
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].
Bien que cette méthode de programmation de l’entraînement reste assez « basique » et

ne puisse offrir la mise en place de cycles d’entraînements optimisés en fonction des
76 | P a g e
compétitions à venir, il semblerait que nous soyons en plein cœur de l’individualisation de

l’entraînement avec l’utilisation de marqueurs objectifs reflétant les niveaux actuels
d’aptitude et de fatigue de l’athlète. Bien plus qu’une hypothèse, ce constat est largement
confirmé à travers la revue de littérature de Hautala et al. qui rappellent que l’activité du
système nerveux autonome joue un rôle essentiel dans la réponse individuelle à
l’entraînement et qu’une mesure quotidienne de la variabilité de la fréquence cardiaque peut
rendre compte de l’état physiologique actuel de l’athlète [92].
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
A titre d’exemple, l’enregistrement des données peut totalement influencer les

résultats en fonction des choix de la position, de la méthode de respiration ou encore du
moment de la mesure. Par la suite, la méthode de traitement du signal couplée au choix des
marqueurs qui seront retenus et discutés au sein de l’étude peut, une nouvelle fois, engendrer
quelques dissensions méthodologiques entre les auteurs. Très concrètement, il paraît difficile
de pouvoir affirmer qu’une mesure de variabilité cardiaque doit nécessairement être effectuée
le matin au réveil en respiration contrôlée à une fréquence de 0,25 Hz pendant une durée de 5
minutes et que c’est le ratio LF/HF (calculé à l’aide d’une transformée en ondelettes) qui va le
mieux rendre compte de l’état de fatigue de l’individu alors que d’autres auteurs proposent de
réaliser un enregistrement nocturne (donc en respiration libre) et d’analyser le RMSSD pour
estimer le niveau de fatigue d’un sujet.
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
demandent aux sujets de réaliser l’enregistrement de variabilité cardiaque en respiration libre

alors que d’autres imposent un contrôle de la fréquence de respiration. La relation qui existe
entre la variabilité cardiaque et la fréquence de respiration (i.e arythmie sinusale respiratoire)
étant particulièrement développée chez les athlètes, notre première hypothèse est que la
méthode de respiration impacte considérablement les marqueurs fréquentiels de la variabilité
cardiaque. Cette analyse de l’influence de la respiration sera abordée aussi bien dans le cadre
de mesures à court terme (étude n°1) que dans le contexte du suivi de l’athlète (étude n°2).
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
Etude 1: The breathing effect of the LF/HF ratio in the heart rate variability
measurements of athletes
D. Saboul, V. Pialoux et C. Hautier
Accepté dans European Journal of Sport Science en 2012
Au sein de la littérature, de nombreux travaux s’intéressent à la relation entre la

fatigue chez l’athlète et la variabilité de la fréquence cardiaque [10]. Plus spécifiquement,
nous pouvons constater que le ratio LF/HF, qui représente la balance sympathovagale, est
majoritairement utilisé par les auteurs comme marqueur du surentraînement [162]. Toutefois,
il semblerait que la respiration, via l’arythmie sinusale respiratoire, vienne perturber cet indice
en particulier chez les sujets présentant une fréquence de respiration lente [211]. En effet, une
fréquence de respiration inférieure à 0,15 Hz (i.e. limite entre les basses et hautes fréquences)
concentre une partie de l’énergie du signal dans la bande des basses fréquences [155]. Cette
éventualité doit notamment être prise en considération chez les athlètes d’endurance qui sont
caractérisés par une forte arythmie sinusale respiratoire et une faible fréquence de respiration
[66].
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
de la société française de médecine du sport afin d’exclure du protocole les individus

surentraînés.
Les résultats du questionnaire de fatigue n’ont révélé aucun état de

surentraînement. De même, aucune différence significative entre les deux groupes n’a été
trouvée au niveau du score de fatigue et de la charge d’entraînement mensuelle. A l’inverse,
en respiration libre le ratio LF/HF du groupe infSBF était de 6,82±4,55 alors que celui du
groupe supSBF était de 0,72±0,52 (p<0,01). De plus, une corrélation significative a été
trouvée entre la fréquence de respiration spontanée de chaque individu et la valeur du ratio
LF/HF (R = -0,69 ; p=0,004). En respiration contrôlée, aucune différence significative n’a été
trouvée entre les deux groupes et ce, quelle que soit la fréquence de respiration imposée. Les
sessions de 0,10 Hz et 0,125 Hz ont fourni un ratio LF/HF significativement plus grand
(respectivement 9,73±6,27 et 9,97±5,82) que les sessions de 0,15 Hz, 0,175 Hz et 0,20 Hz
(respectivement 0,47±0,89 ; 0,27±0,20 et 0,37±0,24).
A notre sens, deux résultats émergent de cette étude. Premièrement, nous

pouvons admettre que chez les athlètes, le ratio LF/HF est avant tout modulé par la fréquence
de respiration de l’individu et par conséquent, il ne représente pas fidèlement l’état de fatigue
du sujet. Deuxièmement, le fait de contrôler la fréquence de respiration durant un
enregistrement de variabilité cardiaque perturbe et influence totalement la valeur du ratio
LF/HF en favorisant les LF ou les HF si la fréquence imposée est respectivement inférieure ou
supérieure à 0,15 Hz. Ainsi, les bandes de fréquences LF et HF sont principalement
influencées par l’activité vagale et ne fournissent pas d’informations fiables sur la part
sympathique et parasympathique de l’activité du système nerveux autonome. Plus
concrètement, l’arythmie sinusale respiratoire provoque une accélération des intervalles RR
pendant la phase d’inspiration pour favoriser les échanges gazeux. Le phénomène inverse
étant produit pendant la phase d’expiration. D’un point de vue fréquentiel, cela se traduit par
une concentration de l’énergie spectrale autour de la fréquence de respiration de l’individu.
Dans le cas d’une fréquence de respiration très lente (<0,15 Hz) il n’est pas rare d’observer
des valeurs de ratio LF/HF supérieures à 4 qui sont, chez les athlètes, généralement attribuées
à un état de surentraînement avancé [162]. En d’autres termes, il semblerait que l’utilisation
du ratio LF/HF soit à proscrire chez les athlètes puisqu’il fournit un résultat binaire dépendant
uniquement de l’influence mécanique de la fréquence de respiration. Ce ratio peut, dans
certains cas, être interprété à tort comme un signe de surentraînement.
83 | P a g e
84 | P a g e
85 | P a g e
86 | P a g e
87 | P a g e
88 | P a g e
89 | P a g e
90 | P a g e
Etude 2: The impact of breathing on HRV measurements: Implications for the

longitudinal follow-up of athletes
D. Saboul, V. Pialoux et C. Hautier
Accepté dans European Journal of Sport Science en 2013
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
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
93 | P a g e
94 | P a g e
95 | P a g e
96 | P a g e
97 | P a g e
98 | P a g e
99 | P a g e
100 | P a g e
101 | P a g e
Etude 3: Quantification of training load: the use of heart rate variability in

training practice
D. Saboul, P. Balducci, G. Millet, V. Pialoux et C. Hautier
Soumisse dans scandinavian journal of medicine and science in sports en 2013
Dans les sciences du sport, la quantification de la charge d’entraînement est considérée

comme un sujet très important qui permet notamment d’offrir des informations nécessaires à
l’optimisation et au suivi d’entraînement des athlètes [24]. Actuellement, plusieurs outils sont
à la disposition des entraîneurs pour estimer la charge d’entraînement mais nous retiendrons
que les méthodes de Foster (échelle RPE) et Banister (TRIMP) semblent être les plus
appropriées pour des conditions de terrain [24]. Très récemment, plusieurs études ont
démontré l’existence d’un lien entre la variabilité de la fréquence cardiaque post-exercice et la
charge d’entraînement [114,208]. Plus précisément, il semblerait que l’intensité de l’exercice
influence particulièrement le niveau d’activité du système nerveux autonome au cours des
premières minutes qui suivent l’arrêt de l’exercice. Néanmoins, à notre connaissance, il
n’existe aucune méthode permettant d’utiliser la variabilité cardiaque pour estimer
rationnellement la charge d’un entraînement. Ainsi, le but de ce travail était de proposer une
formule concrète, basée sur différentes mesures de variabilité cardiaque, qui permettrait de
quantifier objectivement la charge d’entraînement de séances, au contenu très hétérogène,
réalisées dans des conditions de terrain.
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
autres étant effectuées respectivement immédiatement (Post5) et 30 minutes après l’exercice

(Post30). Par la suite, la charge d’entraînement était calculée selon la formule suivante :
ܲ‫݁ݎ‬ͷ െ ܲ‫ݐݏ݋‬ͷ
ܶ‫ ܸܴܪܮ‬ൌ ݈݊ ൬ܶ ‫ כ‬ ൰
ܲ‫ Ͳ͵ݐݏ݋‬െ ܲ‫ݐݏ݋‬ͷ
TLHRV: Charge d’entraînement (u.a.)

T: Durée de l’entraînement (min)
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
En résumé, notre nouvelle formule permet de quantifier la charge d’un entraînement

de manière totalement objective. Bien qu’elle soit difficilement utilisable dans le cadre de
mesures quotidiennes, il semblerait qu’elle trouve un intérêt particulier dans le contexte du
suivi des athlètes. En effet, il est tout à fait envisageable d’effectuer, à intervalles réguliers,
une séance type dont la charge serait quantifiée à l’aide de la présente méthode. Ainsi, nous
pourrions suivre l’adaptation à l’entraînement d’un athlète face à une séance étalon.
104 | P a g e
Quantification of training load: the use of heart rate variability in training practice
Damien SABOUL1,2, Pascal BALDUCCI1, Grégoire MILLET3, Vincent PIALOUX1 and

Christophe HAUTIER1
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
Keywords: HRV; Monitoring; Fatigue; Athletes; Autonomic nervous system
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
Introduction
Quantification of training load (TL) is considered as an important topic in sport

sciences since it is a major tool for training follow-up (Borresen & Lambert 2009). Initially,
questionnaires and diaries were used to measure TL but they were replaced by more objective
methods based on physiological measurements (Shephard 2003). Some studies suggested
evaluating TL through biological markers like oxygen uptake ( ܸሶ ܱʹ ) or blood lactate
concentration [La] (Hopkins 1991). However, these measures require specific equipment and
are mainly used in the context of scientific research (Seiler & Kjerland 2006). Conversely,
other methods based on heart rate (HR) or rating of perceived exertion (RPE) appear more
suitable for daily use and practical application (Karvonen & Vuorimaa 1988). From these
markers, several indices of training stress, like training impulse (TRIMP) or session RPE,
have been developed to assess TL (Banister et al. 1986; Foster 1998). Both methods are based
on the measure of exercise intensity (percentage of HR reserve or RPE scale) multiplied by
exercise duration to calculate TL. For practical reasons, the Banister and Foster methods are
widely used by coaches and athletes to assess TL and monitor endurance training.
Nevertheless, none of the methods previously described can be considered as the “golden
standard” for TL evaluation (Hellard et al. 2006; Kaikkonen et al. 2010).
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
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
Table 1: Mean (±SD) descriptive data of the subjects (n= 11)
Age (year) 32 ± 6
Height (cm) 182 ± 5
Body mass (kg) 76.3 ± 10.2
MAS (km.h-1) 18.9 ± 1.2
HR rest (bpm) 44 ± 4
HR max (bpm) 187 ± 8
MAS: Maximal aerobic speed.

HR rest: Heart rate at rest.
HR max: Maximal heart rate.
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.
HRV measurements: For each session, HRV measurements were performed in 3

different 5-min periods; respectively 5-0 minutes before warm-up for all TS (Pre5), 5-10
minutes after TS (Post5) and 30-35 minutes after TS (Post30). HRV measurement consisted
of a 5 minute R-R interval recording in supine position in a quiet environment (Buchheit,
Chivot 2009; Plews et al. in press). Data were collected and recorded using a validated HR
monitor (Suunto T6d) (Weippert et al. 2010). Data analyses were restricted to time domain
indices and the only HRV marker used was the root mean-square difference of successive
normal R-R intervals (RMSSD) (Buchheit, Chivot 2009; Plews, Laursen in press). RMSSD
108 | P a g e
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 1 (S70%) consisted of a 10 min warm-up run followed by active

endurance running at 70% of MAS for 34 min. The session ended with 10 minutes of cool-
down at low speed for a total training duration of 54 min (total volume = 3580a.u.).
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
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.).
Training Load estimation:
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).
െ െ

ͲǤ͸Ͷ‫כ‬
ܴܶ‫ ܲܯܫ‬ൌ ܶ ‫ כ‬ ‫݁כ‬ െ ݁‫ͳ͓݊݋݅ݐܽݑݍ‬
െ
TRIMP = training impulse

T: Duration of training session (min)
HR exe = mean heart rate of the training session (bpm)
HR rest = heart rate at rest (bpm)
HR max = maximal heart rate (bpm)
℮ = Naperian logarithm of 2.712
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
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).
Figure 1: Training load index calculated from pre- to post-exercise

RMSSD values.
TLHRV: Training load index.

T: Duration of the training session (min)
Pre5: RMSSD value before training session (ms)
Post5: RMSSD value 5 minutes after training session (ms)
Post30: RMSSD value 30 minutes after training session (ms)
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
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).
As presented in the last column of Table 2, there was a significant difference

(p=0.0001) between the TLHRV index calculated from the 3 RMSSD values of each training
112 | P a g e
session. A significant correlation (R=-0.70;p<0.000001) was observed between exercise

intensity and normalized Post5 HRV values (expressed as a percentage of Pre5) (Figure 2).
By contrast, no correlation was observed between exercise duration and normalized Post5
HRV values(R=0.22; p=0.15) and between total training volume and Post5 HRV values
(R=0.20; p=0.19).
Table 2 Mean ± SD (ms) of RMSSD value for each Training Sessions
Pre5 Post5 Post30 TLHRV
S70% 78 ± 51 33 ± 23* 119 ± 121# 3.7 ± 0.6
S85% 89 ± 54 20 ± 18* 65 ± 85#a 5.5 ± 1.4a
S95% 73 ± 58 11 ± 7*ab 36 ± 31#*ab 5.0 ± 0.9a
S100% 83 ± 46 9 ± 5*ab 76 ± 60#c 4.0 ± 0.6bc
S70% / S85% / S95% / S100%: Training Session number 1, 2, 3 or 4

Pre5: RMSSD before Training session (ms).
Post5: RMSSD 5 min after Training session (ms).
Post30: RMSSD 30 min after Training session (ms).
RMSSD: root mean-square difference of successive normal R-R intervals (ms).
TLHRV: HRV coefficient for training load estimation (a.u.).
*: p<0.05: different from Pre5
#
: p<0.05: different from Post5
a
: p<0.05: different from S70%
b
c
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
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
ᴏ: Individual values of each subject.

▬: Mean values of each training intensity.
114 | P a g e
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.
Immediate post-exercise HRV is related to exercise intensity
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
Figure 3: Training load quantification of each training session calculated

with the methods of Banister, Foster and HRV.
S70%, S85%, S95% and S100%: Training Sessions.

a
b
c
116 | P a g e
Post-training HRV increase
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
validity of TLHRV. The ratio between RMSSD decrease and post-exercise RMSSD increase
provides normalized values with respect to inter-individual differences.
TLHRV index vs. other TL methods
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
Figure 4: Bland & Altman plots for assessing agreement

between the 3 methods of training load quantification.
119 | P a g e
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
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
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
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
2. Perceptives
Premièrement, d’un point de vue purement méthodologique, il serait intéressant de

reproduire un protocole similaire à celui de notre seconde étude avec pour seule différence de
comparer l’évolution des marqueurs de la variabilité cardiaque lors de deux périodes
d’enregistrements différentes : l’une étant réalisée la nuit et l’autre étant effectuée le matin au
réveil. En effet, ces deux méthodes sont couramment utilisées au sein de la littérature pour
estimer le niveau de fatigue d’un athlète. Néanmoins, à notre connaissance, aucune étude n’a
mesuré les évolutions quotidiennes (i.e. augmentation ou diminution) des différents
marqueurs de la variabilité cardiaque obtenus lors d’une mesure nocturne ou lors d’une
mesure effectuée le matin au réveil. Cela devrait nous permettre d’œuvrer pour un consensus
méthodologique dans le contexte du suivi de l’état de forme des athlètes à l’aide de mesures
régulières de variabilité cardiaque.
Deuxièmement, nous souhaitons éclaircir d’avantage le lien entre l’évolution du

marqueur RMSSD et l’état de fatigue des athlètes dans le cadre d’un suivi individualisé à long
terme. En effet, il a été démontré que l’adaptation de l’activité du système nerveux autonome
face à un cycle d’entraînement était différente en fonction de chaque athlète [92]. De ce fait, il
est très difficile d’établir des relations significatives communes entre la charge
d’entraînement, l’état de fatigue et la variabilité de la fréquence cardiaque lors d’un cycle
d’entraînement identique à tous les sujets puisque même s’il existe certaines tendances, les
différences interindividuelles viennent brouiller les résultats. A notre sens, la solution réside
dans les études de cas qui rendent parfaitement compte de la relation qui existe entre la
variabilité de la fréquence cardiaque et le niveau de fatigue d’un athlète. Ainsi, nous
souhaitons étendre à plus grande échelle nos investigations, par l’intermédiaire d’un logiciel
réalisé au sein de l’entreprise Almerys. Dans un premier temps, cet outil va nous permettre de
recueillir de nombreux enregistrements de variabilité cardiaque afin de tester, par la suite, un
algorithme de calcul qui détermine en temps réel les seuils individualisés à partir desquels
l’athlète est considéré comme étant en état de fatigue, en état normal ou, à l’inverse en état de
forme. A notre sens, la conception d’une telle « plate-forme » présente l’avantage
d’automatiser et d’alléger le processus actuel d’acquisition et de traitement des données et
donc d’être capable d’effectuer des suivis à long terme individualisés sur une très grande
cohorte.
126 | P a g e
Pour terminer, nous souhaitons définir et mettre en œuvre un protocole d’étude

permettant de différencier ou de comparer la part de l’activité sympathique et
parasympathique lors d’un enregistrement de variabilité cardiaque effectué chez des athlètes.
En effet, excepté le ratio LF/HF qui est à notre sens discutable chez les athlètes, il n’y a pas de
marqueurs qui rendent compte de la balance sympathovagale des sujets. Certains auteurs
proposent d’utiliser la « capacité » de concentration d’énergie spectrale autour de la fréquence
de respiration d’un individu (marqueur RCF band [15]) pour estimer l’influence vagale.
Comparer cette quantité d’énergie vagale à la quantité d’énergie totale du signal (marqueur
TP) pourrait nous informer sur la part d’activité issue de chacune des deux branches
antagoniste du système nerveux autonome. De manière encore plus spéculative, en
considérant que le cœur représente la sortie d’un système de régulation automatique (i.e.
similaire aux modules de régulation industrielle, nous pouvons étudier de manière disjointe la
réponse à l’influence sympathique (lorsque la consigne est positive) et la réponse à l’influence
parasympathique (lorsque la consigne est négative). Le rapport entre ces deux réponses nous
renseigne sur l’état actuel de la balance sympathovagale de l’individu avec comme énorme
avantage de ne pas être basé sur une frontière fixe et commune similaire au ratio LF/HF (i.e.
0,15 Hz). Nous avons déjà développé la présente méthode de calcul et les résultats issus d’une
pré-manipulation semblent encourageants. De ce fait, il nous paraît intéressant de poursuivre
le développement de cette méthode en partenariat avec un cardiologue afin de la tester chez
des patients sous traitement médical cardio-modulateur (i.e. bradycardisants ou
tachycardisants).
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
151. Matsunaga T, Harada T, Mitsui T, Inokuma M, Hashimoto M, Miyauchi M, Murano H,

Shibutani Y. Spectral analysis of circadian rhythms in heart rate variability of dogs. Am J Vet
Res 2001; 62: 37-42
152. McCraty R, Atkinson M, Tiller WA, Rein G, Watkins AD. The effects of emotions on short-term
power spectrum analysis of heart rate variability. Am J Cardiol 1995; 76: 1089-1093
153. Meeusen R, Duclos M, Foster C, Fry A, Gleeson M, Nieman D, Raglin J, Rietjens G, Steinacker
J, Urhausen A. Prevention, diagnosis, and treatment of the overtraining syndrome: joint
consensus statement of the European College of Sport Science and the American College of
Sports Medicine. Med Sci Sports Exerc 2006; 45: 186-205
154. Melanson EL, Freedson PS. The effect of endurance training on resting heart rate variability
in sedentary adult males. Eur J Appl Physiol 2001; 85: 442-449
155. Middleton N, De Vito G. Cardiovascular autonomic control in endurance-trained and
sedentary young women. Clin Physiol Funct Imaging 2005; 25: 83-89
156. Migliaro ER, Contreras P, Bech S, Etxagibel A, Castro M, Ricca R, Vicente K. Relative influence
of age, resting heart rate and sedentary life style in short-term analysis of heart rate
variability. Braz J Med Biol Res 2001; 34: 493-500
157. Millar-Craig MW, Bishop CN, Raftery EB. Circadian variation of blood-pressure. Lancet 1978;
1: 795-797
158. MMWR. Hyperthermia and dehydration-related deaths associated with intentional rapid
weight loss in three collegiate wrestlers--North Carolina, Wisconsin, and Michigan,
November-December 1997. MMWR Morb Mortal Wkly Rep 1998; 47: 105-108
159. Montano N, Ruscone TG, Porta A, Lombardi F, Pagani M, Malliani A. Power spectrum analysis
of heart rate variability to assess the changes in sympathovagal balance during graded
orthostatic tilt. Circulation 1994; 90: 1826-1831
160. Morales J, Garcia V, Garcia-Masso X, Salva P, Escobar R, Busca B. The use of heart rate
variability in assessing precompetitive stress in high-standard judo athletes. Int J Sports Med
2012; 34: 144-151
161. Morgan WP, Brown DR, Raglin JS, O'Connor PJ, Ellickson KA. Psychological monitoring of
overtraining and staleness. Br J Sports Med 1987; 21: 107-114
162. Mourot L. Régulation neurovégétative des fonctions cardiovasculaires. Etude lors de
l’exercice, de l’entraînement, du surentraînement et lors de l’immersion. Besançon
Université de Franche Comté; 2004: 230
163. Mourot L, Bouhaddi M, Perrey S, Cappelle S, Henriet MT, Wolf JP, Rouillon JD, Regnard J.
Decrease in heart rate variability with overtraining: assessment by the Poincare plot analysis.
Clin Physiol Funct Imaging 2004; 24: 10-18
164. Mourot L, Bouhaddi M, Tordi N, Rouillon JD, Regnard J. Short- and long-term effects of a
single bout of exercise on heart rate variability: comparison between constant and interval
training exercises. Eur J Appl Physiol 2004; 92: 508-517
165. Mujika I, Chatard JC, Busso T, Geyssant A, Barale F, Lacoste L. Effects of training on
performance in competitive swimming. Can J Appl Physiol 1995; 20: 395-406
166. Murase C, Kawamoto R, Sugimoto S. [Changing of emotions by the stimulation of visual and
auditory senses--an analysis of heart rate variability (HRV)]. J Uoeh 2004; 26: 461-471
167. Nakamura Y, Yamamoto Y, Muraoka I. Autonomic control of heart rate during physical
exercise and fractal dimension of heart rate variability. J Appl Physiol 1993; 74: 875-881
168. National-Instruments. Using LabVIEW For Heart Rate Variability Analysis. In; 2011
169. Nishijima Y, Ikeda T, Takamatsu M, Kiso Y, Shibata H, Fushiki T, Moritani T. Influence of
caffeine ingestion on autonomic nervous activity during endurance exercise in humans. Eur J
Appl Physiol 2002; 87: 475-480
170. Niskanen JP, Tarvainen MP, Ranta-Aho PO, Karjalainen PA. Software for advanced HRV
analysis. Comput Methods Programs Biomed 2004; 76: 73-81
171. Normand H, Etard O, Denise P. Otolithic and tonic neck receptors control of limb blood flow
in humans. J Appl Physiol 1997; 82: 1734-1738
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
Sous presse, A paraître en 2013 dans

Quidu, M. (Ed.)
Les sciences du sport en mouvement, Tome II, Innovations théoriques et implications pratiques.
Paris: L'Harmattan, Collection Le mouvement des savoirs
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 :
x Le traitement et l’analyse du signal

x Les conditions d’enregistrement
Au sein de chacune des catégories précédemment évoquées, nous appellerons « strate

méthodologique », toutes les étapes nécessitant un choix, argumenté, de la part du chercheur
parmi l’ensemble des modalités envisageables. Les principales strates méthodologiques qui
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
Historique et préceptes de base.
L’étude de la VFC consiste à mesurer précisément, à l’aide d’un enregistrement

d’électrocardiogramme la durée qui sépare deux pics d’activité électrique (voir figure 2).
L’analyse de l’évolution de ces intervalles RR, au fil du temps, révèle qu’il existe des micro-
variations entre chaque battement cardiaque (de l’ordre de quelques millisecondes).
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.
Modulée par les branches antagonistes sympathique et parasympathique de notre

système nerveux autonome, cette variabilité de l’activité cardiaque, qualifiée de chronotrope
(i.e. qui module le rythme cardiaque en l’accélérant ou en le ralentissant), permet de maintenir
l’équilibre homéostatique. De part cette attention portée à la dimension homéostatique, les
études de VFC sont généralement en étroite relation avec les aspects physiologiques,
pathologiques voire comportementaux d’un individu. Bien que, historiquement, l’outil fut
utilisé en médecine dans le cadre de différentes pathologies cardiovasculaires (infarctus, suivi
d’évolution,…), il est aujourd’hui décliné dans de nombreux domaines d’application comme
la psychologie ou encore le sport (2, 18).
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.
La face cachée de la VFC
Actuellement, il existe une telle pluralité méthodologique au sein de l’étude de la

VFC, qu’aucune règle scientifique ne semble se détacher des autres, rendant équivoque et
contestable toute interprétation ou résultats proposés par la littérature. Subséquemment, la
multitude de méthodes proposées par les différentes équipes de recherche rend difficile
l’établissement d’un consensus et est à l’origine de nombreux résultats ambivalents. Il en
résulte que chaque scientifique s’intéressant à cette thématique d’étude se retrouve très
rapidement confronté à un problème majeur : quel protocole valide adopter pour analyser et
interpréter la VFC le plus fidèlement possible ? Bien que certains choix méthodologiques
précis puissent être définis et justifiés en s’appuyant sur la littérature et que les grandes lignes
de l’étude soient généralement dictées en fonction de l’objectif recherché, il semblerait que le
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.
Dès lors, la curiosité intellectuelle et l’esprit critique du chercheur seront confrontés

aux multiples paradigmes expérimentaux déjà existants avec, comme objectif, d’offrir un
protocole qui lui semble être en adéquation parfaite avec sa thématique de recherche. De
surcroît, il devra impérativement être capable de justifier ses propres choix méthodologiques
pour garder toute forme de crédibilité face à la communauté scientifique.
Description de notre problématique
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.
Les principaux marqueurs de la VFC

Domaine Nom Description
Fréquence cardiaque
Mean RR (HR) (bpm)
Moyenne
SDNN (ms) Variabilité globale
Temporel Variabilité court terme
RMSSD (ms)
Parasympathique
pNN50 (%)
Parasympathique
SD1 (ms)
Non-linéaire Parasympathique
SD2 (ms) Variabilité globale
Très basses fréquences
VLF (ms²)
Mécanisme long terme comme
[0-0,04] Hz
la thermorégulation
Basses fréquences
LF (ms²)
système sympathique
[0,04-0,15] Hz
Fréquentiel et parasympathique
HF (ms²) Hautes fréquences
[0,15-0,4] Hz système parasympathique
TP (ms²)
Variabilité globale
[0-0,4] Hz
LF/HF Balance sympathovagale
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.
Le physiologiste n’est pas forcément un virtuose du traitement du signal. Dès lors, il

pourra étoffer son choix à l’aide de la littérature ou encore s’appuyer sur les logiciels qui
traitent dudit sujet. Nous pouvons rapidement remarquer qu’il existe des tendances pouvant
même être qualifiées d’« effets de mode » avec, à titre d’exemple, la transformée en
ondelettes qui est venue bouleverser la traditionnelle transformée de Fourier au début des
années 2000 (2). Malgré tout, à notre connaissance, il n’existe aucune revue de littérature qui
propose un avis clair, précis et totalement objectif sur la question. Généralement, la plupart
d’entres elles se contentent de présenter les avantages et inconvénients de plusieurs méthodes
en concluant que chacune fournit des résultats similaires (2, 18). Les fabricants de logiciels
procèdent généralement de la même manière en proposant 2 méthodes disjointes
(paramétrique et non paramétrique) et en laissant l’utilisateur totalement libre de ses choix
méthodologiques (13). Néanmoins, d’autres articles susciteront la confusion du scientifique
en démontrant l’absence d’interchangeabilité de ces mêmes méthodes (15). En l’absence de
consensus, nous avons procédé par élimination en se référant aux objectifs et aux spécificités
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.
Le pluralisme des marqueurs de la VFC ou la redondance de l’information…
Passée la première étape de traitement du signal, il est maintenant possible de

s’intéresser à la signification des variables qui en découlent. Comme évoqué dans le tableau 1,
chacune d’entre elles reflète l’activité des branches sympathique et parasympathique de notre
système nerveux autonome. En dépit de la preuve relative du caractère robuste de certains
marqueurs de la VFC, il n'existe toujours pas de consensus sur l’indice le plus adéquat et
précis pour une utilisation clinique. En d’autres termes, l’interprétation physiologique des
nombreux marqueurs proposés par la VFC ne faisant pas l’unanimité chez les chercheurs,
notre démarche méthodologique devra inéluctablement nous permettre de n’en retenir que les
plus fiables en accompagnant chacun de nos choix par des arguments à la hauteur de notre
problématique.
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).
Interprétation des marqueurs fréquentiels : entre paradigmes et controverses…
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.
Le premier, pas forcément très explicite, concerne le processus de généralisation de la

borne fréquentielle des 0,15 Hz qui représente la frontière entre les LF et les HF (voir figure
3). Initialement, les chercheurs ont mis en évidence l’existence, sur le spectre de puissance, de
deux pics aux alentours des fréquences 0,10 Hz et 0,25 Hz. A l’aide d’injection d’atropine ou
de propranolol (e.g. respectivement inhibiteurs du système parasympathique et du système
sympathique) ils ont rapidement établi le lien physiologique qui réside entre ces deux pics
d’énergie et les deux branches antagonistes du système nerveux autonome. De plus, les
gammes de fréquences proposées concordent relativement bien avec les temps d’action des
neurotransmetteurs comme la noradrénaline (accélérateur) ou l’acétylcholine (frein). Au fur et
à mesure des expérimentations un consensus a émergé et la limite entre les LF et les HF a été
fixée à 0,15 Hz. Force est de constater que cette frontière est le résultat d’expériences,
principalement menées sur des sédentaires, qui ne sont valables qu’à l’échelle d’une
population (i.e. le calcul de cette borne est basé sur des moyennes). Lorsque nous travaillons
sur des athlètes ayant chacun leurs propres spécificités et, qui plus est, avec un objectif avoué
d’individualisation, il n’est pas évident que la barrière fréquentielle de chaque sujet soit
nécessairement positionnée à 0,15 Hz. Autrement dit, il est fort probable qu’une part de
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.
Néanmoins, l’argument le plus tangible pour illustrer cette ambivalence provient, à

notre sens, de l’interaction qui réside entre la fréquence cardiaque et la fréquence respiratoire
d’un individu. Le phénomène, nommé arythmie sinusal respiratoire, s’observe chez certains
sédentaires mais nous le retrouvons surtout chez de nombreux athlètes et, plus
particulièrement, dans les sports à dominante énergétique aérobie. Schématiquement,
lorsqu’un individu inspire, de l’air à forte teneur en oxygène arrive dans ses poumons et, pour
favoriser les échanges gazeux, le cœur observe une courte phase de tachycardie. Inversement,
lors de la phase d’expiration, le résidu d’air contenu dans ses poumons présente une forte
teneur en dioxyde de carbone et, pour freiner les échanges gazeux, le cœur observe alors une
brève période de bradycardie. Par conséquent, lorsque l’on examine une courbe temporelle
d’un enregistrement de VFC, nous pouvons voir apparaître une onde sinusoïdale d’une
période propre correspondant exactement à un cycle respiratoire. Au sein du domaine
fréquentiel, ce phénomène se traduit par la concentration d’une grande part de l’énergie
(densité spectrale de puissance) autour de la fréquence respiratoire de l’individu (voir la
différence entre la figure 3 (sédentaire) et la figure 4 (athlètes)). D’un point de vue
fondamental, cette arythmie sinusale respiratoire vient totalement perturber les marqueurs
fréquentiels de la VFC en se mêlant aux différentes influences neurovégétatives (17). En effet,
lorsqu’un individu présente une fréquence de respiration supérieure à 0,15 Hz (correspondant
à la limite entre les bornes LF et HF), le tonus parasympathique sera fortement surestimé
(exemple de la figure 4c). A l’inverse, si le sujet présente une fréquence de respiration
inférieure à 0,15 Hz (soit 6,6 secondes par cycle), le tonus sympathique sera à son tour
surestimé (exemple de la figure 4a). Nous soulignerons que le paroxysme de cet imbroglio
fréquentiel est atteint lorsqu’un individu présente une fréquence de respiration centrée sur la
limite entre les LF et les HF (exemple de la figure 4b). En effet, la moindre variation de la
fréquence de respiration, d’une mesure de VFC à une autre, entraîne une grande partie de
l’énergie dans l’une ou l’autre bande de fréquence. Dès lors, l’interprétation physiologique
des marqueurs fréquentiel LF et HF devient totalement aléatoire et il est très délicat de relier
ces indices à un concept de fatigue puisqu’ils dépendront avant tout de la fréquence de
respiration de l’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.
Après avoir discuté les dissensions méthodologiques de calcul et de sélection du

marqueur de la VFC le plus approprié à notre problématique, nous abordons ici le pluralisme
qui encadre les conditions d’enregistrement de la VFC. Au sein de cette partie, seront
développées des divergences concernant la durée de l’enregistrement, le moment opportun où
il doit être réalisé mais encore la position ou le type de respiration qu’il est conseillé
d’observer durant la mesure. Bien que négligeable de premier abord, il s’avère que chacun de
ces aspects influence particulièrement les résultats d’une analyse de la VFC.
Moment de la mesure
Plusieurs paramètres sont à mettre en adéquation pour trouver le moment de la journée

le plus propice pour pratiquer un enregistrement de la VFC. Premièrement, il a été démontré
que les intervalles R-R observent un rythme circadien tout au long de la journée. Pour le
marqueur temporel RMSSD, ce cycle nycthéméral se traduit, chez le sédentaire comme chez
le sportif, par une valeur pic qui est atteinte aux alentours de 9 heures pour redescendre vers
une valeur minimum aux alentours de 18 heures (6). Il en résulte que dans l’optique d’un suivi
longitudinal, il est impératif de toujours réaliser les mesures au sein de la même tranche
horaire sans quoi toute tentative de comparaison rationnelle ne serait que futile et erronée.
Dans un second temps, un état de l’art nous permettra d’apprécier la sensibilité de la VFC
face aux nombreux stimuli pouvant précéder la mesure. Pour ne citer que les plus importants,
nous soulignerons par exemple l’existence de fortes perturbations suite à une activité
physique, un stress psychique ou encore la prise d’un repas avec la période de digestion qui
s’ensuit (2). Par conséquent, toute mesure réalisée au cours de la journée a de fortes chances
d’être modulée par les activités précédant l’enregistrement, en particulier chez un sportif qui,
par définition, observera nécessairement des phases d’entraînements aigus fortement
perturbatrices. Pour conserver une certaine reproductibilité de la mesure, les enregistrements
doivent inéluctablement être pratiqués à la suite d’une phase analogue. La clé de notre quête
pourrait être offerte par la période de sommeil durant laquelle chaque « parasite » est lissé,
permettant ainsi une analyse beaucoup plus stable. Néanmoins, si les bienfaits du sommeil sur
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).
Position durant la mesure
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
La validité, la reproductibilité, la précision et la faisabilité de la mesure de VFC

dépendent, entre autres, de la durée pendant laquelle l’enregistrement est réalisé. Au sein de la
littérature, nous pouvons une nouvelle fois constater qu’il existe de nombreuses divergences
méthodologiques avec des protocoles d’enregistrements allant de 10 secondes jusqu’à 24
heures (19). Plusieurs approches peuvent être confrontées pour définir la durée optimale de la
mesure qui permettra de répondre le plus fidèlement à notre problématique. La première est
avant tout pragmatique puisqu’elle tient compte de la faisabilité de la mesure. Au regard de
notre objectif initialement fixé, il est raisonnable d’admettre que les enregistrements excédant
les 30 minutes restent difficilement concevables pour des athlètes qui réalisent des mesures de
VFC quotidiennes. La seconde approche s’appuie sur un simple constat que nous avons pris la
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
Comme évoqué précédemment, il existe une forte interaction entre la respiration et la

VFC, en particulier chez les sportifs. Dès lors, il est intéressant de s’interroger sur le rythme
respiratoire à adopter durant un enregistrement de VFC. Etant donné que la vitesse de
respiration spontanée (i.e. totalement libre) peut favoriser les bases (LF) ou hautes (HF)
fréquences de manière très individuelle et hétéroclite, certains chercheurs ont proposé de
« normaliser » la mesure de VFC en demandant aux individus de respirer à une vitesse
imposée durant tout l’enregistrement. De ce fait, des comparaisons pouvaient être réalisées
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 :
Au regard de ce chapitre, le lecteur pourra être surpris par le discours, dubitatif,

employé pour décrire la méthodologie de la VFC mais également par la teneur de certains de
nos propos. Pourtant, notre faible expérience nous a seulement permis d’établir un constat,
simple et univoque, qu’aucun chercheur travaillant sur cette thématique ne pourra nier :
l’utilisation de la VFC dans le domaine du sport s’avère particulièrement délicate compte tenu
du pluralisme méthodologique qui l’entoure. Afin d’illustrer ce travail, il nous semblait plus
efficace de proposer au lecteur de s’immerger dans cette thématique de recherche en
reprenant, pour fil conducteur, l’exemple d’un chercheur qui souhaite utiliser la VFC pour
répondre à une problématique concrète et qui se retrouve inexorablement confronté à ce
problème récurrent qu’est la pluralité méthodologique de la VFC. Par conséquent, les choix
que nous avons précédemment discutés ne sont pas nécessairement transposables dans
d’autres thématiques de recherche et nous nous sommes efforcés de clairement dessiner le
cadre de validité scientifique de chacun de nos propos. De surcroît, il est important de
souligner que nous n’avions pas la prétention d’enjoindre nos pairs à adhérer à une
quelconque méthodologie grâce à un discours démagogique et qu’aucun des arguments
avancés ne véhiculaient d’ambitions subversives.
Plus spécifiquement, il faut se rendre à l’évidence que la VFC reste particulièrement

sensible à de nombreux paramètres. De ce fait, les résultats d’une étude sont, en partie,
déterminés par les choix méthodologiques qui ont été retenus en amont lors de l’établissement
du protocole. Face à la pluralité méthodologique qui entoure la VFC, le chercheur semble
disposer d’une multitude de solutions pour réaliser ses propres choix en fonction de son
objectif. Néanmoins, nous avons pu remarquer qu’en l’absence de consensus, un « schéma
type » était généralement mis en place pour lever toute sorte de controverse. En premier lieu,
le chercheur procédera à un état de l’art afin de mesurer l’ampleur de la polémique. Dans de
nombreux cas, la controverse reste très généraliste et concerne la VFC dans sa globalité. Mais
lorsque l’on se cantonne aux seuls travaux qui sont étroitement liés à notre problématique,
nous pouvons généralement déceler l’existence d’un consensus se basant sur des arguments
très pragmatiques comme la spécificité des sujets ou de l’objectif (e.g. détection de la fatigue
chez des sportifs de haut niveau). Dès lors, il suffira de s’appuyer sur des références très
précises qui permettront de justifier chacun de nos choix. Malgré tout, si une pluralité
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.
2.1. Logiciels d’analyse de la variabilité cardiaque
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.
2.1.a. Analyse de fichiers bruts
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.
Nous avons également développé des fonctionnalités liées à l’analyse fréquentielle

d’un signal. Plus précisément, pour les besoins d’une étude sur l’influence de la fenêtre dans
une analyse fréquentielle de variabilité cardiaque effectuée par transformée de Fourier sur des
enregistrements de courte durée, nous avons développé un système qui permet de calculer
l’énergie fréquentielle des basses et hautes fréquences à l’aide de fenêtres traditionnelles
(hanning, hamming, blachman) mais également à l’aide de la méthode dite de la « fenêtre
rectangulaire ajustée ». D’autres fonctionnalités comme le choix de la méthode
d’interpolation (linéaire, cubic spline) ont également été ajoutées.
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.
Bien que l’utilisation de ce logiciel reste volontairement confidentielle et qu’il n’est

pas vocation à être distribué, nous avons passé beaucoup de temps à le développer pour
obtenir un outil capable de s’adapter à toutes les contraintes de nos expériences ce qui reste un
avantage non négligeable comparativement aux logiciels standards.
2.1.b. Suivi long terme du sportif
Plusieurs auteurs proposent d’utiliser l’analyse de la variabilité de la fréquence

cardiaque dans le cadre d’un suivi à long terme du sportif. Depuis quelques temps, certains
entraîneurs ont compris l’intérêt que pouvait apporter une telle méthode et demandent à leurs
athlètes de réaliser des enregistrements réguliers de variabilité cardiaque pour suivre leur état
de fatigue et moduler leurs entraînements en conséquence. Néanmoins, le protocole de mesure
peut paraître contraignant à réaliser quotidiennement puisque l’athlète doit enregistrer son
cœur pendant plusieurs minutes et décharger les données du cardiofréquencemètre sur
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.
2.2. Suivi du stress en entreprise
Au sein de la littérature, nous pouvons constater que l’utilisation de la variabilité de la

fréquence cardiaque est pluridisciplinaire avec des applications dans le domaine de la
médecine, du sport, mais également de la psychologie. En effet, plusieurs auteurs ont mis en
évidence des liens entre la variabilité cardiaque et la stabilité psychologique des individus.
D’une manière transversale, il semblerait qu’une baisse de la variabilité cardiaque globale soit
corrélée avec l’apparition d’un état dépressif comme elle peut l’être avec l’apparition d’un
état de surentraînement chez le sportif ou d’aggravement d’une pathologie chez un patient.
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 ».
Afin de déterminer si l’employé peut potentiellement être sujet à ce syndrome,

plusieurs auteurs proposent de réaliser des suivis à l’aide de questionnaires spécifiques. A titre
d’exemple, le questionnaire de Karasec permet de quantifier les contraintes liées au travail
selon trois dimensions (les exigences mentales de la tâche, la latitude décisionnelle et le
soutien social professionnel) en classant le sujet par rapport au score médian. Bien que
scientifiquement validé et utilisé par de nombreux organismes qui travaillent sur le sujet, ce
type de questionnaire présente l’inconvénient d’être subjectif. A l’inverse, il semblerait que
l’étude de la variabilité cardiaque apporte une dimension objective qui, dans le cadre d’un
suivi à long terme des employés, permet de déterminer les périodes difficiles que peuvent
traverser les salariés. Une nouvelle fois, les données de la littérature restent controversées
quant à la méthodologie à suivre. Néanmoins, il semblerait que les sujets présentant une
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.
Avec l’accord de la direction des ressources humaines, nous avons proposé à 54

employés d’ALMERYS sélectionnés sur la base du volontariat (23 femmes et 31 hommes,
32±7 ans), de participer à une expérimentation présentant un double objectif. Premièrement,
nous souhaitions étudier la relation entre l’état de « stress psychologique » et la variabilité de
la fréquence cardiaque d’un individu. Deuxièmement, nous voulions tester l’effet que pouvait
avoir un exercice de respiration contrôlée sur le niveau de stress des employés.
Le protocole était relativement simple puisque les sujets devaient remplir un

questionnaire d’estimation du stress (Q1) puis, faire un exercice de respiration contrôlée
(fréquence d’inspiration et d’expiration variable au cours du temps) pendant 5 minutes, durant
lesquelles la variabilité cardiaque était enregistrée. Pour terminer, les employés devaient à
nouveau remplir un questionnaire d’estimation du stress (Q2). Les questionnaires fournissent
un résultat sous forme d’un score allant de 9 (dans le meilleur des cas) à 72. Le score issu de
la variabilité cardiaque est déterminé en fonction de plusieurs marqueurs tenant compte à la
fois de l’évolution de la variabilité à court terme et de la faculté d’adaptation de l’individu à la
fréquence de respiration à suivre (estimée par les alternances tachycardie - bradycardie). La
valeur qui en découle est sans unité mais elle peut osciller entre -1 (synonyme d’un fort état
de stress) à 1 (synonyme d’un état normal).
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.
Cette expérimentation nous a permis de démontrer qu’il existait un moyen objectif de

quantifier l’état de stress des employés en entreprise par l’intermédiaire d’une mesure de la
variabilité de la fréquence cardiaque. De plus, l’exercice de respiration à effectuer au cours de
la mesure diminue significativement le niveau de stress des individus. Bien que d’autres
expérimentations à plus long terme n’ont pas encore été réalisées, nous pouvons admettre que
les présents résultats encouragent à poursuivre notre démarche aussi bien sur le plan
scientifique que sur le plan industriel. En effet, il serait intéressant de reproduire cette
expérience plusieurs fois sur une période donnée afin de voir si toutes les variables tendent à
révéler une augmentation de l’état de stress lorsque l’employé traverse une période difficile.
De même, il serait intéressant de développer une application Smartphone permettant de
mesurer objectivement l’évolution de son état de stress et proposant également divers
exercices de contrôle de la respiration pour apprendre à le réduire ou à mieux le gérer lors
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.
2.3. Projets transverses
Durant ces trois années passées au sein de l’entreprise ALMERYS, j’ai

également eu la possibilité de travailler sur d’autres projets n’ayant aucun lien direct avec
mon sujet de recherche initial. Une présentation rapide du projet global et une courte
description de mon implication sont présentées pour deux d’entre eux.
2.3.a. Plate-forme de gestion des sportifs professionnels
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.
L’entraîneur a la possibilité de planifier les séances d’entraînement en fonction des

objectifs à venir. Pour ce faire, il a accès à une énorme base de données qui propose une
multitude d’exercices. En plus de la description exacte du contenu de l’entraînement à
réaliser, l’entraîneur attribue une charge d’entraînement (de manière subjective) à chaque
séance. De ce fait, des statistiques et des graphiques, basés sur ces données, permettent de
vérifier si la charge d’entraînement globale respecte bien les microcycles, mésocycles et
macrocycles initialement prévus. Ces graphiques sont complétés par l’athlète après chaque
séance réalisée puisqu’il doit indiquer la charge d’entraînement réelle. Les données recueillies
offre de nombreuses possibilités pour aider l’entraîneur à optimiser et individualiser la
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.
2.3.b. CoachForm santé
Ce projet est un travail de développement entièrement à l’initiative d’ALMERYS ne

répondant pas à une commande d’un client particulier. Il se base sur un constat tout simple :
de plus en plus de gens pratiquent une activité sportive régulière et cherchent à progresser
sans pour autant avoir recours à un entraîneur. De nombreux magazines spécialisés proposent
des plans d’entraînement type et des plateformes web qui permettent de créer un plan
d’entraînement de façon un peu plus individualisé et élaboré. Néanmoins, peu d’entres eux
sont basés sur de véritables données physiologiques objectives. Le but de ce logiciel est donc
de créer une plateforme de planification et de gestion d’entraînements individualisés
accessible au grand public en ayant avant tout une approche axée sur la « santé » de
l’individu. Différents intervenants extérieurs participent à ce projet dont des chercheurs en
physiologie de l’exercice qui apportent une plus value scientifique réelle.
177 | P a g e
Figure 3: Page d’accueil de la plate forme CoachForme Santé développée par ALMERYS.
Au sein de ce projet, j’ai uniquement participé à l’élaboration et à la mise en œuvre de

la planification des séances d’entraînement. Afin d’individualiser au maximum les séances,
l’algorithme se base sur les résultats de différents tests effectués par l’individu qui nous aident
à mieux cibler son profil. De plus, une boucle de rétroaction permet en permanence de
réajuster le contenu de séances proposées en fonction des progrès réalisés par les sportifs.
Pour terminer, nous avons évoqué la possibilité de proposer aux personnes souscrivant à ce
service, de réaliser des mesures de variabilité cardiaque régulières pour suivre leur état de
forme et leur adaptation à l’entraînement.
En conclusion, les différentes applications logicielles précédemment décrites m’ont

permises, dans la majorité des cas, de réaliser des transferts technologiques en déclinant les
résultats issus de la littérature scientifique pour les adapter à des applications grand public
concrètes. Plus globalement, cette thèse CIFRE m’a permis d’aborder mon sujet initial avec
une problématique qui devait également tenir compte des impératifs liés au monde de
l’entreprise, ce qui, à mon sens, est particulièrement formateur et enrichissant.
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.
Mots clés: VFC, fatigue, performance, individualisation, respiration.
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.
Contributions of heart rate variability

in the quantification of training load and athletes monitoring :
Methodological aspects and practical applications.
Keywords: HRV, fatigue, performance, individualization, breathing.
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

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

Transféré par

Droits d'auteur :

Formats disponibles

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

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

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

Transféré par

Droits d'auteur :

Formats disponibles

Apports de la variabilité de la fréquence cardiaque dans

l’évaluation de la charge d’entraînement et le suivi

To cite this version:

HAL Id: tel-01265039

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

L’Université Claude Bernard – LYON 1

Spécialité Sciences et Techniques des Activités Physiques et Sportives

Présentée par Damien SABOUL

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.

Mr C. COLLET PU Université Claude Bernard, Lyon 1 Président

Directeur de thèse : Dr Christophe Hautier

DANS L’ÉVALUATION DE LA CHARGE D’ENTRAÎNEMENT ET LE SUIVI D’ATHLÈTES :

ASPECTS MÉTHODOLOGIQUES ET APPLICATIONS PRATIQUES.

Présentée par Damien SABOUL

pour ne pas les perdre de vue lorsqu’on les poursuit ’’

Ce travail de recherche a été réalisé grâce à un partenariat entre le laboratoire de

Dans le domaine de la recherche fondamentale et méthodologique, notre démarche

Bien que quelques références à la seconde partie de ce travail soient proposées en

Articles dans des revues internationales à comité de lecture

Participation à des ouvrages collectifs

1- Saboul D. Faire face à la pluralité des méthodes en physiologie de l’exercice : illustrations

Vulgarisation – diffusion de connaissances

3 - Rota S, Saboul D. Intérêts de l'utilisation de la variabilité de la fréquence cardiaque pour

Congrès scientifiques internationaux

Congrès scientifiques nationaux

Congrès scientifiques Divers

1 - Saboul D. et Balducci P. Utilisation de la FC et de la VFC dans la préparation d'une

Partie 1 : La régulation autonome de la fréquence cardiaque 14

Partie 2 : Méthodologie et procédés d’analyse de la variabilité de la fréquence cardiaque 22

D. CONCLUSION GENERALE ET PERSPECTIVES 123

E. RÉFÉRENCES BIBLIOGRAPHIQUES 128

Annexe 1 : Chapitre d’ouvrage 142

Annexe 2 : Projets d’entreprise et développements technologiques 168

Annexe 3 : Article de vulgarisation paru dans le magazine « Sport et Vie » 179

Annexe 4 : Article de vulgarisation paru dans le magazine « Endurance - Trail » 189

1. Liste des figures.

Tableau 1: Différences anatomiques et physiologiques entres les branches sympathiques et

Tout au long de la vie, la fréquence cardiaque est sous l’influence permanente du

De nombreux travaux ont permis de démontrer que la variabilité cardiaque était

Ce travail de thèse s’intéresse plus particulièrement à la relation entre la variabilité de

terrain permettant de suivre de manière totalement objective la relation aptitude-fatigue des

L’objectif de ce travail est de contribuer modestement au développement d’une

Partie intégrante du système cardiovasculaire, le cœur a pour fonction principale de

1.1. Le débit cardiaque.

1.2. La régulation du débit cardiaque.

d’intrinsèque, comme le système de conduction cardiaque, de ceux qui sont qualifiés

1.3. Le système de conduction cardiaque.

La régulation du rythme de base de la fréquence cardiaque est régie par le système de

Figure 1: Représentation des 5 ondes composant un battement cardiaque d’un

1.4. Le système nerveux autonome.

1.5. Liaisons entre le système nerveux autonome et le cœur .

Le centre cardioaccélérateur (branche sympathique) prend sa source au niveau du

Figure 3: Représentation des liaisons des deux branches du système

1.6. Communication entre le système nerveux autonome et le cœur .

Qu’elles fassent partie du système nerveux sympathique ou parasympathique, les

Tableau 1: Différences anatomiques et physiologiques entres les branches sympathiques et parasympathiques du

Système nerveux Système nerveux