Stage M2 : Développement d'algorithmes (IA) pour l'analyse biomécanique en APAS

Société de Biomécanique; Nice; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une entreprise de recherche en biomécanique recherche un stagiaire en Master 2 pour développer des algorithmes IA pour l'analyse biomécanique. Le stage, de 5 à 6 mois, commence à partir de janvier 2026 au CHU de Nice. Le profil recherché inclut des compétences en Python et Deep Learning. Une gratification est prévue selon la réglementation en vigueur.

Prestations

Gratification selon réglementation

Qualifications

• Excellente maîtrise de Python.
• Compétences en IA / Deep Learning nécessaires.
• Bonus : traitement vidéo, biomécanique, HAR, séries temporelles.

Responsabilités

• Développer une chaîne de traitement complète pour l'analyse de séances d'APAS.
• Identifier automatiquement différents mouvements d’activité physique.
• Comparer les mesures biomécaniques aux mesures physiologiques objectives.

Connaissances

Python

IA / Deep Learning

Rigueur

Autonomie

Formation

Master 2 en Informatique, Data Science, Biomécanique

Outils

PyTorch

TensorFlow

Scikit-learn

Description du poste

Tout dépôt d'offre doit être validé par un modérateur avant sa mise en ligne qui n'est donc pas instantanée. Toutes les offres de plus de 6 mois seront supprimées. Pour déposer une offre vous devez vous identifier sur le site, en vous connectant ou vous enregistrant.

Stage M2 : Développement d'algorithmes (IA) pour l'analyse biomécanique en APAS

Offre de stage Master 2 (2025-2026)
Développement d'algorithmes (IA) pour l'analyse biomécanique et la quantification de la charge de travail en Activités Physiques Adaptées (APAS).

Contexte du Projet

Le Laboratoire Motricité Humaine Expertise Sport Santé (LAMHESS, Université Côte d’Azur) et la Plateforme Fragilité du CHU de Nice collaborent sur le projet de recherche doctoral MOBIAGE. Ce projet vise à développer des outils d'évaluation objectifs du déclin locomoteur chez la personne âgée. De nombreux travaux ont montré les effets bénéfiques de l'activité physique sur le déclin fonctionnel (Izquierdo et al., 2021). Pour être efficaces, ces Activités Physiques Adaptées (APA) doivent être dosées avec précision, ce qui nécessite de quantifier objectivement l'intensité de la séance (Tiggemann et al., 2021). Or, les outils actuels sont limités :

• L'échelle de perception de l'effort (RPE/Borg) est trop subjective et peut être biaisée (Sylvia et al., 2014).
• Les actimètres ou cardiofréquencemètres, bien que objectifs, peinent à capturer la charge de travail biomécanique réelle des exercices (Chang et al., 2019a; Bortone et al., 2020).

Ce stage vise à combler cette lacune. Nous explorerons comment l'analyse de mouvement "markerless" (IA) peut fournir des paramètres biomécaniques (cinématique 3D, vitesse, amplitude) pour développer un indicateur objectif et précis de l'intensité ou quantité de mouvement des séances d'APA (Kanko et al., 2021).

Objectif et Missions du Stage

L'objectif de ce stage est de développer et valider une chaîne de traitement complète (IA, Biomécanique) pour l'analyse automatique de séances d'APAS, en s'appuyant sur une base de données vidéos et physiologiques (FC, actigraphie) existante. Ce stage comportera 3 temps :

• Identifier automatiquement différents mouvements d’activité physique (IA / Markerless). Vous commencerez par la prise en main de la base de données existante (vidéos, fréquence cardiaque, actigraphie). À partir des vidéos, vous utiliserez un pipeline markerless comme Pose2Sim (Pagnon et al., 2022) pour extraire les poses 2D et la cinématique 3D. Ces données serviront au développement de modèles IA capables de :
  • Reconnaître automatiquement différents types de mouvements (squat, marche, exercices de renforcement, etc.)
  • Détecter les transitions et phases d’exécution
  • Segmenter les répétitions et les séries.
• Associer à chaque mouvement des mesures précises de quantité de mouvement. Pour chaque exercice identifié, vous développerez une extraction détaillée de paramètres biomécaniques pertinents :
  • Amplitudes articulaires
  • Vitesses et accélérations segmentaires
  • Puissance mécanique estimée
  • Métriques cinématiques 3D dérivées de la trajectoire du centre de masse ou des membres.
  L’objectif est de quantifier la "quantité de mouvement" propre à chaque exercice, en construisant des indices objectifs, reproductibles et comparables entre individus et sessions.
• Comparer ces mesures biomécaniques aux mesures physiologiques objectives. Dans cette dernière étape, vous relierez les métriques biomécaniques précédemment obtenues aux données physiologiques enregistrées simultanément :
  • Fréquence cardiaque
  • Activité mesurée par actimétrie
  • Intensité perçue (RPE).
  Vous analyserez les corrélations, modéliserez les relations et contribuerez à développer un score global de charge de travail combinant données biomécaniques et physiologiques. Cette validation croisée permettra d’évaluer la pertinence de la quantification markerless pour estimer l’intensité réelle d’une séance d’APA.

Profil recherché

• Master 2 en Informatique, Data Science, Biomécanique ou domaine proche. Excellente maîtrise de Python.
• Compétences en IA / Deep Learning (PyTorch, TensorFlow, Scikit-learn).
• Bonus : traitement vidéo, biomécanique, HAR, séries temporelles. Qualités appréciées : rigueur, autonomie, capacité à documenter.

Informations pratiques

• Durée : 5–6 mois
• Début : À partir de Janvier/février 2026
• Lieu : CHU de Nice – Plateforme Fragilité & LAMHESS (Université Côte d’Azur)
• Encadrement : Florian Delaplace, Frédéric Chorin, Elodie Piche, Raphael Zory
• Gratification : Selon la réglementation en vigueur

Pour Candidater

Veuillez envoyer votre CV, lettre de motivation à :

• Florian DELAPLACE : [e-mail]
• Frédéric CHORIN : [e-mail]
• Elodie PICHE : [e-mail]
• Raphael ZORY : [e-mail]

Modérateurs: Cédric LAURENT , Antoine Muller