Analyse du mouvement par smartphone : ce que mesure l’estimation de pose 2D, et avec quelle erreur
Fondamentaux

Analyse du mouvement par smartphone : ce que mesure l’estimation de pose 2D, et avec quelle erreur

Un iPhone sait aujourd’hui localiser les articulations sur une vidéo sans marqueurs. La question clinique est ailleurs : pour quels angles, dans quels plans et avec quelle erreur ces chiffres se rapprochent-ils d’un laboratoire d’analyse 3D ?

Mis à jour le 8 novembre 2026 · 8 min de lecture · 25 références

L’essentiel
  • Avec une caméra dans le plan sagittal, l’estimation de pose 2D se situe généralement à 4–6° de la capture avec marqueurs pour la hanche et le genou pendant la marche 1,2.
  • La cheville est l’articulation sagittale la moins précise : 7,4° à la marche 1.
  • Le FPPA mesuré en 2D concorde bien entre méthodes 2D, mais se corrèle peu à l’abduction du genou mesurée en 3D (r = 0,20) 3.
  • Les rotations dans le plan transversal restent le point faible, même avec des systèmes à plusieurs caméras 4.
  • OpenCap atteint une erreur moyenne de 4,5° avec deux iPhone calibrés ; cette valeur ne se transpose pas à une caméra unique 5.
  • Caméra perpendiculaire au plan et de niveau : des vues obliques ont produit des biais allant jusqu’à 26° 6,7.

Pourquoi la validité compte

L’analyse du mouvement avec marqueurs réfléchissants et plusieurs caméras infrarouges reste la référence de laboratoire, mais elle exige du matériel, du temps et des techniciens spécialisés. L’estimation de pose sans marqueurs (markerless) promet d’apporter une partie de cette information en salle de sport et au cabinet, grâce à la caméra d’un smartphone 8. Une revue de 2022 a résumé l’état de l’art avec prudence : les paramètres spatio-temporels semblent équivalents à ceux des systèmes avec marqueurs, mais la localisation des centres articulaires et les angles articulaires ne sont pas encore assez exacts pour des applications cliniques 9.

Pour le praticien, la question pratique n’est pas de savoir si le smartphone « fonctionne », mais quelles variables sont fiables, dans quelles conditions de capture et pour quelle décision : comparer les côtés, suivre l’évolution ou classer un risque.

Comment fonctionne l’estimation de pose sur un smartphone

Les modèles d’estimation de pose sont des réseaux de neurones qui localisent des repères anatomiques sur chaque image ; les angles sont calculés à partir de ces points. BlazePose, la famille de modèles sur laquelle repose MediaPipe, détecte 33 points du corps et tourne à plus de 30 images par seconde sur un téléphone 10. Il a été conçu pour le fitness et l’usage en temps réel, non comme instrument de biomécanique : son exactitude doit donc être testée séparément.

Deux problèmes reviennent dans la littérature. Le premier est un biais systématique : en comparant OpenPose, AlphaPose et DeepLabCut à la capture avec marqueurs, les centres articulaires de la hanche et du genou différaient d’environ 30–50 mm, très probablement en raison d’erreurs d’annotation dans les données d’entraînement 11. Le second est constitué de défaillances grossières occasionnelles : avec un système OpenPose multicaméra, 80 % des erreurs moyennes étaient inférieures à 30 mm, mais 10 % dépassaient 40 mm, surtout lorsque l’algorithme confondait des objets avec des segments corporels ou intervertissait des segments 12.

Un biais constant pèse peu lorsqu’on compare une personne à elle-même ; une défaillance occasionnelle, si elle passe inaperçue, peut fausser une répétition entière.

Exactitude par articulation et par plan

Les données les plus proches d’une application avec un seul iPhone proviennent d’études à une caméra avec analyse 2D. Le schéma est constant : le plan sagittal est le plus fiable, le plan frontal est acceptable comme mesure d’alignement 2D et le plan transversal n’est pas mesurable avec une seule caméra.

Erreur attendue de l’estimation de pose 2D avec une caméra, par articulation et par plan
MesureCe que montrent les donnéesConfiance
Flexion/extension de hanche (sagittal)Erreur absolue moyenne de 4,0° à la marche 1 ; 3,7 ± 1,3° avec OpenPose 2 ; r = 0,68–0,94 par rapport à la 3D au squat unipodal 3Élevée
Flexion/extension du genou (sagittal)5,6° 1 et 5,1 ± 2,5° 2 à la marche ; MediaPipe exact lorsque le mouvement est ample et l’articulation visible 13Élevée, avec contrôle de qualité des images
Cheville (sagittal)7,4° à la marche 1 ; identification erronée de repères anatomiques 13Modérée à faible
Genou dans le plan frontal (FPPA)r = 0,95 entre méthodes 2D, mais r = 0,20 par rapport à l’abduction 3D 3 ; r = 0,308 au squat unipodal 14Bonne comme alignement 2D ; n’équivaut pas au valgus 3D
Rotations (plan transversal)Exclues de l’erreur inférieure à 5,5° même avec un système à 8 caméras 4Ne pas rapporter
Épaule (Apple Vision, iPhone)R² > 0,93 par rapport à la capture 3D, avec surestimation de l’amplitude ; SEM de 9,2° en abduction 15Modérée

Études menées surtout chez des adultes sains ou des adolescents ; l’erreur dépend du modèle de pose, de l’appareil et des conditions de capture.

Les modèles ne sont pas interchangeables. Dans une comparaison de quatre modèles open source, les plus légers, conçus pour le téléphone, n’étaient pas les plus exacts 2. Dans un échantillon de personnes âgées, MediaPipe a obtenu les moins bons résultats des méthodes testées à la marche, tout en étant exact au genou 13. Dans une étude récente avec BlazePose et capture latérale au smartphone, l’ICC du squat atteignait 0,773 après exclusion des images de faible confiance, mais tombait à 0,428, avec un RMSE de 25,43°, sans ce filtre ; 15,7 % des observations dynamiques ne satisfaisaient pas le critère de confiance 16. C’est le contrôle de qualité de chaque image qui décide si le chiffre est exploitable.

Les outils 3D natifs de l’iPhone ont eux aussi leurs limites. Le suivi corporel 3D d’ARKit a présenté une erreur moyenne pondérée de 18,80° ± 12,12° par rapport au Vicon, entre 3,75° et 47,06° selon l’articulation et l’exercice 17. La pose 2D d’Apple Vision, testée à l’épaule, a bien suivi le profil du mouvement, mais a surestimé l’amplitude 15.

OpenCap et autres précédents avec l’iPhone

OpenCap est le précédent le plus solide d’analyse du mouvement par smartphone. Avec deux iPhone calibrés, il a estimé les angles articulaires avec une erreur absolue moyenne de 4,5° par rapport à la capture avec marqueurs (4,1° à la marche et au squat, 4,7° au lever de chaise et 5,1° au drop jump), les forces de réaction au sol avec une erreur de 6,2 % du poids corporel et les moments articulaires avec une erreur de 1,2 % du poids × taille 5. Dans une étude de terrain sur 100 participants, il s’est révélé 25 fois plus rapide que l’approche de laboratoire, pour moins de 1 % du coût 5. La condition essentielle est la géométrie : deux caméras ou plus permettent de reconstruire le mouvement en 3D ; une seule, non.

Pour d’autres mesures, l’iPhone bénéficie déjà d’une validation solide. L’app My Jump a mesuré la hauteur du saut avec contre-mouvement avec un ICC de 0,997 par rapport à une plateforme de force, avec un biais de 1,1 ± 0,5 cm 18, et MySprint a mesuré des temps intermédiaires de sprint avec un ICC de 1,0 par rapport à des cellules photoélectriques 19. Toutes deux mesurent des événements temporels bien définis, plus faciles à valider que des angles. Une revue des apps en sciences du sport apporte une mise en garde utile : beaucoup n’ont été testées que sur un seul appareil 20.

Comment filmer : bonnes pratiques de capture

  • Caméra perpendiculaire au plan du mouvement. Kinovea s’est montré valide entre 90° et 45° de perspective, jusqu’à 5 m, mais 90° est recommandé pour des résultats optimaux 6. Avec des caméras obliques, les biais variaient de −0,35° à −26,07° selon l’articulation et la vue 7.
  • Téléphone de niveau, sans inclinaison. Incliner le téléphone vers le bas ou vers le haut modifiait l’amplitude mesurée dans des sens opposés ; dans l’étude de référence, l’iPhone était placé à 0,9 m de hauteur et à environ 3 m du participant, mis de niveau à l’aide d’une app de niveau 15.
  • Corps entier dans le cadre, une seule personne et un fond dégagé. Les erreurs supérieures à 40 mm provenaient d’objets confondus avec des segments et de segments intervertis 12.
  • Plusieurs répétitions ou foulées. En course, il faut au moins 7 foulées pour obtenir une moyenne stable 21 ; à la marche, les moyennes par participant étaient plus exactes que les pas isolés 1.
  • Vêtements ajustés et éclairage uniforme. L’erreur augmentait avec différentes tenues (moins de 11°) et différents éclairages (moins de 9°), mais sans comparaison simultanée avec une capture 3D 22.
  • Images par seconde. Les études de saut et de sprint sur iPhone ont utilisé la vidéo haute vitesse 18,19, et l’étude de l’épaule 30 fps pour des mouvements lents 15. Nous n’avons trouvé aucune étude comparant directement 30, 60 et 240 fps pour les angles articulaires : privilégier une cadence d’images plus élevée pour les sauts, les réceptions et les sprints est une recommandation pratique, non un résultat publié.

Lors des réévaluations, la règle la plus importante est de reproduire exactement le même montage : distance, hauteur, vue, chaussures et tenue. Changer de vue change le chiffre 7.

Ce que cela implique pour la pratique clinique

La vidéo 2D mesure des angles projetés sur un plan. Le FPPA, par exemple, n’était associé que de façon faible à modérée à l’adduction de hanche (r = 0,32–0,38) et à la rotation externe du genou (r = 0,48–0,55) mesurées en 3D, et les auteurs ont conclu qu’il ne doit pas servir à quantifier des rotations 3D 23. La 2D classe pourtant raisonnablement les athlètes : entre sujets, l’angle frontal 2D se corrélait au valgus 3D avec un r² de 0,58–0,64, mais au sein d’un même sujet seulement avec un r² de 0,25–0,36 24. La 2D convient donc mieux pour repérer les valeurs extrêmes que pour détecter de petits changements.

L’automatisation en elle-même ne semble pas être le problème : dans le plan frontal, le FPPA automatique concordait bien avec la mesure manuelle sur vidéo (CCC de 0,89 avec BlazePose et de 0,95 avec OpenPose) 25. La limite tient à la projection 2D, non à l’algorithme. De plus, la plupart des études de validation ont inclus des adultes sains ; les données chez les populations cliniques, les enfants et dans la marche pathologique sont rares.

En résumé, avec une caméra bien placée, la flexion de hanche et de genou dans le plan sagittal est suffisamment exacte pour comparer les côtés et suivre l’évolution ; le plan frontal est utile comme mesure d’alignement 2D ; les rotations ne doivent pas être rapportées. Tout changement doit être comparé à l’erreur de mesure du test avant d’être valorisé, et le diagnostic reste du ressort du professionnel.

Questions fréquentes

L’analyse du mouvement par smartphone est-elle valide ?

Cela dépend de la variable. Pour la flexion de hanche et de genou dans le plan sagittal, l’erreur avec une caméra est généralement de 4–6° à la marche 1,2 ; dans le plan frontal et pour les rotations, la concordance avec l’analyse 3D est bien moindre 3.

Quelle différence entre vidéo 2D et analyse 3D du mouvement ?

La vidéo 2D mesure des angles projetés dans le plan de la caméra ; l’analyse 3D reconstruit la position réelle des segments. Le FPPA 2D ne doit pas servir à quantifier des rotations 3D 23.

MediaPipe est-il précis pour mesurer les angles articulaires ?

Au genou, avec des mouvements amples et une bonne visibilité, il peut être exact 13 ; sans contrôle de qualité des images, le RMSE a atteint 25,43° au squat 16. La cheville est l’articulation la plus problématique.

Comment placer l’iPhone pour filmer un test de mouvement ?

Perpendiculaire au plan du mouvement, de niveau, avec le corps entier dans le cadre et toujours le même montage lors des réévaluations 6,15.

OpenCap est-il comparable à une app avec un seul iPhone ?

Non. OpenCap utilise au moins deux appareils iOS calibrés pour reconstruire le mouvement en 3D, avec une erreur moyenne de 4,5° sur les angles 5 ; une caméra unique mesure des angles 2D projetés.

Références

  1. Stenum J, Rossi C, Roemmich RT. Two-dimensional video-based analysis of human gait using pose estimation. PLoS Comput Biol. 2021;17(4):e1008935. doi.org/10.1371/journal.pcbi.1008935
  2. Washabaugh EP, Shanmugam TA, Ranganathan R, Krishnan C. Comparing the accuracy of open-source pose estimation methods for measuring gait kinematics. Gait Posture. 2022;97:188–195. doi.org/10.1016/j.gaitpost.2022.08.008
  3. Haberkamp LD, Garcia MC, Bazett-Jones DM. Validity of an artificial intelligence, human pose estimation model for measuring single-leg squat kinematics. J Biomech. 2022;144:111333. doi.org/10.1016/j.jbiomech.2022.111333
  4. Kanko RM, Laende EK, Davis EM, Selbie WS, Deluzio KJ. Concurrent assessment of gait kinematics using marker-based and markerless motion capture. J Biomech. 2021;127:110665. doi.org/10.1016/j.jbiomech.2021.110665
  5. Uhlrich SD, Falisse A, Kidziński Ł, et al. OpenCap: human movement dynamics from smartphone videos. PLoS Comput Biol. 2023;19(10):e1011462. doi.org/10.1371/journal.pcbi.1011462
  6. Puig-Diví A, Escalona-Marfil C, Padullés-Riu JM, Busquets A, Padullés-Chando X, Marcos-Ruiz D. Validity and reliability of the Kinovea program in obtaining angles and distances using coordinates in 4 perspectives. PLoS One. 2019;14(6):e0216448. doi.org/10.1371/journal.pone.0216448
  7. Baldinger M, Reimer LM, Senner V. Influence of the camera viewing angle on OpenPose validity in motion analysis. Sensors (Basel). 2025;25(3):799. doi.org/10.3390/s25030799
  8. Colyer SL, Evans M, Cosker DP, Salo AIT. A review of the evolution of vision-based motion analysis and the integration of advanced computer vision methods towards developing a markerless system. Sports Med Open. 2018;4(1):24. doi.org/10.1186/s40798-018-0139-y
  9. Wade L, Needham L, McGuigan P, Bilzon J. Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ. 2022;10:e12995. doi.org/10.7717/peerj.12995
  10. Bazarevsky V, Grishchenko I, Raveendran K, Zhu T, Zhang F, Grundmann M. BlazePose: on-device real-time body pose tracking. arXiv:2006.10204 [preprint]. 2020. arxiv.org/abs/2006.10204
  11. Needham L, Evans M, Cosker DP, et al. The accuracy of several pose estimation methods for 3D joint centre localisation. Sci Rep. 2021;11(1):20673. doi.org/10.1038/s41598-021-00212-x
  12. Nakano N, Sakura T, Ueda K, et al. Evaluation of 3D markerless motion capture accuracy using OpenPose with multiple video cameras. Front Sports Act Living. 2020;2:50. doi.org/10.3389/fspor.2020.00050
  13. Menychtas D, Petrou N, Kansizoglou I, et al. Gait analysis comparison between manual marking, 2D pose estimation algorithms, and 3D marker-based system. Front Rehabil Sci. 2023;4:1238134. doi.org/10.3389/fresc.2023.1238134
  14. Schurr SA, Marshall AN, Resch JE, Saliba SA. Two-dimensional video analysis is comparable to 3D motion capture in lower extremity movement assessment. Int J Sports Phys Ther. 2017;12(2):163–172. pubmed.ncbi.nlm.nih.gov/28515970/
  15. van den Hoorn W, Lavaill M, Cutbush K, Gupta A, Kerr G. Comparison of shoulder range of motion quantified with mobile phone video-based skeletal tracking and 3D motion capture—preliminary study. Sensors (Basel). 2024;24(2):534. doi.org/10.3390/s24020534
  16. Yue X, Gu Y, Yu B. Validation of single-camera MediaPipe BlazePose for knee joint angle measurement across multiple functional tasks: concurrent validity, interrater reliability, and exploratory test-retest reliability study. JMIR Rehabil Assist Technol. 2026;13:e102399. doi.org/10.2196/102399
  17. Reimer LM, Kapsecker M, Fukushima T, Jonas SM. Evaluating 3D human motion capture on mobile devices. Appl Sci. 2022;12(10):4806. doi.org/10.3390/app12104806
  18. Balsalobre-Fernández C, Glaister M, Lockey RA. The validity and reliability of an iPhone app for measuring vertical jump performance. J Sports Sci. 2015;33(15):1574–1579. doi.org/10.1080/02640414.2014.996184
  19. Romero-Franco N, Jiménez-Reyes P, Castaño-Zambudio A, et al. Sprint performance and mechanical outputs computed with an iPhone app: comparison with existing reference methods. Eur J Sport Sci. 2017;17(4):386–392. doi.org/10.1080/17461391.2016.1249031
  20. Peart DJ, Balsalobre-Fernández C, Shaw MP. Use of mobile applications to collect data in sport, health, and exercise science: a narrative review. J Strength Cond Res. 2019;33(4):1167–1177. doi.org/10.1519/JSC.0000000000002344
  21. Dingenen B, Barton C, Janssen T, Benoit A, Malliaras P. Test-retest reliability of two-dimensional video analysis during running. Phys Ther Sport. 2018;33:40–47. doi.org/10.1016/j.ptsp.2018.06.009
  22. Viswakumar A, Rajagopalan V, Ray T, Gottipati P, Parimi C. Development of a robust, simple, and affordable human gait analysis system using bottom-up pose estimation with a smartphone camera. Front Physiol. 2021;12:784865. doi.org/10.3389/fphys.2021.784865
  23. Willson JD, Davis IS. Utility of the frontal plane projection angle in females with patellofemoral pain. J Orthop Sports Phys Ther. 2008;38(10):606–615. doi.org/10.2519/jospt.2008.2706
  24. McLean SG, Walker K, Ford KR, Myer GD, Hewett TE, van den Bogert AJ. Evaluation of a two dimensional analysis method as a screening and evaluation tool for anterior cruciate ligament injury. Br J Sports Med. 2005;39(6):355–362. doi.org/10.1136/bjsm.2005.018598
  25. Janisch L, Maack LM, Fohrmann D, Marques CJ. Assessment of dynamic knee angle deviations in the frontal plane in physiotherapy clinical practice: intra- and inter-rater reliability of an application and agreement with two AI-models. BMC Musculoskelet Disord. 2026;27(1):407. doi.org/10.1186/s12891-026-09958-9

Contenu informatif destiné aux professionnels de santé. Il ne remplace ni l’évaluation clinique ni la lecture des études originales.