Les objets connectés peuvent-ils analyser la démarche des chiens ? Une étude menée sur 29 chiens

Une synthèse d’étude fondée sur des sources, consacrée aux capteurs inertiels, à l’apprentissage profond et à la différence entre tester des chiens déjà connus du modèle et des chiens jamais vus pendant l’entraînement.

Recherche et données probantes | Synthèse d’étude | Mise à jour le 1er septembre 2026

La réponse courte

Une étude de 2026 Scientific Reports Une étude a montré qu’un modèle de recherche pouvait classer trois groupes à partir d’enregistrements de la démarche réalisés dans des conditions contrôlées : des chiens en bonne santé, des chiens atteints de troubles orthopédiques et des chiens atteints de troubles neurologiques. Avec une séparation aléatoire des données de l’étude, la meilleure précision multiclasses était de 0.960. Lorsque les chercheurs ont réservé des chiens entiers pour les tests, la meilleure précision binaire rapportée était de 0.849, et la meilleure précision multiclasses de 0.800. Pour la tâche consistant à distinguer les troubles orthopédiques des troubles neurologiques, la meilleure précision obtenue sur des chiens jamais vus pendant l’entraînement était de 0.893.

Ces chiffres concernent un seul modèle de recherche, un petit groupe de chiens et des protocoles précis de marche et de trot. Ils ne valident pas un objet connecté grand public, ne permettent pas de diagnostiquer un chien à domicile et ne montrent pas qu’un chien peut faire de l’exercice sans danger simplement parce qu’un appareil produit une classification avec un haut niveau de confiance.

Cette synthèse répond à la question suivante : Comment l’étude a-t-elle utilisé des capteurs inertiels portables et l’apprentissage profond pour classer la démarche canine, et qu’est-ce qui a changé lorsque le modèle a été confronté à un chien qu’il n’avait pas vu pendant son entraînement ?

Ce que l’étude a mesuré

Palez et ses collègues ont étudié 29 chiens au Département de médecine et de chirurgie des petits animaux de l’Université de médecine vétérinaire de Hanovre, en Allemagne. Le groupe comprenait 17 chiens en bonne santé, 6 chiens atteints de troubles orthopédiques et 6 chiens atteints de troubles neurologiques. Les catégories cliniques reposaient sur des examens généraux, orthopédiques et neurologiques. Certains cas neurologiques avaient également fait l’objet d’une imagerie par résonance magnétique afin d’étayer l’évaluation clinique.

Les enregistrements ont été réalisés dans une zone de test contrôlée. Les chiens parcouraient le même couloir, guidés par une laisse. Le protocole comprenait des séquences de marche et de trot. Les chercheurs ont utilisé des unités de mesure inertielle Xsens Movella DOT, qui enregistraient les signaux de l’accéléromètre et du gyroscope à 120 Hz. Ils ont testé des capteurs placés au sommet de la tête ou sur le haut du dos, dans le bas du dos près de la queue, sur le cou ou le collier, ainsi qu’une combinaison de ces trois emplacements.

Le modèle recevait six canaux de signaux : trois provenant de l’accéléromètre et trois du gyroscope. L’étude utilisait un petit réseau convolutif unidimensionnel, suivi de couches entièrement connectées. Pour l’ensemble des données du modèle, les chercheurs rapportent 193 minutes d’enregistrements, dont 154 minutes utilisées pour l’entraînement et 39 minutes pour les tests.

L’article examinait trois questions de classification liées :

1. Le modèle peut-il distinguer les groupes de chiens en bonne santé, atteints de troubles orthopédiques et atteints de troubles neurologiques ?
2. Peut-il distinguer les chiens en bonne santé des deux groupes réunis de chiens atteints de troubles diagnostiqués ?
3. Parmi les chiens atteints de troubles diagnostiqués, peut-il distinguer le groupe présentant des troubles orthopédiques de celui présentant des troubles neurologiques ?

La troisième question correspond à une catégorie de recherche dans cet article. Il ne s’agit pas d’un diagnostic que le modèle pourrait établir pour un nouveau chien dans un salon.

Pourquoi la séparation des données de test est importante

L’article a d’abord utilisé une séparation aléatoire des données selon un ratio de 80/20. Cette méthode évalue les performances du modèle lorsque les données d’entraînement et de test proviennent du même ensemble de chiens enregistrés. Elle permet de mesurer les performances dans le cadre de l’étude, mais ne permet pas de savoir comment le modèle se comportera avec un chien totalement nouveau.

Les chercheurs ont ensuite utilisé une validation croisée où chaque chien est laissé de côté à tour de rôle. À chaque étape, tous les enregistrements d’un chien étaient réservés aux tests, tandis que le modèle était entraîné sur les autres chiens. Aucune fenêtre temporelle provenant du chien mis de côté n’était incluse dans l’ensemble d’entraînement. Il s’agit d’un test plus exigeant de la variabilité individuelle.

Le tableau récapitulatif de l’article présente les meilleures combinaisons de capteurs et de mouvements :

Le tableau permet de mieux voir deux éléments. Premièrement, l’exactitude et le score F1 correspondent à une tâche et à une configuration précises. Deuxièmement, le résultat change lorsque le modèle doit se généraliser à un chien qui ne figurait pas dans ses données d’entraînement.

Ce que le modèle a appris — et ce qu’il n’a pas démontré

L’étude met en évidence un résultat précis : les caractéristiques des signaux inertiels peuvent aider un modèle à classer les groupes représentés dans ce jeu de données. L’emplacement des capteurs et le protocole de mouvement ont influencé les résultats. La meilleure combinaison pour une tâche ne constituait pas automatiquement la meilleure combinaison pour une autre.

L’écart entre la répartition aléatoire et le test sur des chiens non vus est tout aussi important que le chiffre élevé. Les chiens diffèrent par leur taille, leur morphologie, leur façon de se déplacer et leur capacité à suivre un protocole. Un modèle performant sur des enregistrements de chiens déjà connus peut nécessiter davantage de données et des tests plus diversifiés avant de fonctionner de manière fiable sur de nouveaux chiens.

L’étude ne montre pas que :

• un dispositif grand public de suivi de l’activité peut identifier une maladie orthopédique ou neurologique ;
• un enregistrement réalisé à domicile peut remplacer un examen vétérinaire ;
• toutes les races, morphologies ou façons de se déplacer sont représentées dans cet échantillon ;
• les résultats fournis par un appareil peuvent indiquer à une famille si un exercice est sans danger ; ou
• les chiffres rapportés constituent un classement des dispositifs portables pour animaux.

Les auteurs décrivent cette approche comme pouvant contribuer au soutien clinique. Il s’agit d’une piste de recherche, et non d’une preuve que le modèle a été validé pour un usage domestique. Le jeu de données de l’étude ne constitue pas une référence publique pour les appareils grand public. Les auteurs indiquent qu’il est possible d’y accéder en s’adressant à l’auteur correspondant, sur demande raisonnable.

Une limite qui change la façon d’interpréter les résultats

Seuls deux chiens du groupe neurologique ont pu trotter. Plusieurs chiens atteints n’ont pas pu terminer le protocole au trot, ce qui a créé un déséquilibre important entre les scénarios de trot. C’est un élément à prendre en compte lorsque les meilleurs résultats apparaissent dans une ligne consacrée au trot.

L’échantillon était également limité et avait été recueilli dans un seul environnement clinique contrôlé. La laisse, le parcours familier, l’itinéraire défini et la position précise du capteur font partie de la mesure. Ce ne sont pas de simples détails de contexte que l’on peut écarter lorsque l’on applique un résultat à un domicile, un parc ou une clinique utilisant un matériel différent.

L’article fait également état d’un écart entre les performances mesurées sur l’échantillon et celles obtenues avec des chiens jamais vus auparavant. Cet écart rappelle une règle fondamentale pour interpréter les recherches fondées sur des capteurs animaliers : l’unité qui compte est souvent le chien, et pas seulement le nombre de courtes fenêtres de signal produites par ce chien.

Questions à se poser face aux futures promesses des dispositifs connectés

Lorsqu’un produit technologique pour animaux annonce un score de démarche ou de santé, demandez-vous ce que le modèle a été entraîné à classer. Demandez ensuite combien de chiens ont fourni les données, quelles races et quelles affections étaient représentées, si des chiens entiers avaient été exclus de l’entraînement, quel mouvement le chien devait effectuer et si le test avait été réalisé avec de nouveaux chiens dans de nouveaux environnements.

La précision seule ne permet pas de répondre à ces questions. Le score F1, le rappel, la précision et les intervalles de confiance doivent également être interprétés en fonction de la tâche, de la population et de la répartition des données. Un score obtenu à partir d’un jeu de données de recherche contrôlé renseigne sur ce jeu de données. Il ne constitue pas une promesse générale valable pour tous les chiens portant un dispositif.

Un repère utile pour les familles avec animaux

Si vous remarquez une modification nouvelle ou qui s’aggrave dans la démarche de votre chien, considérez-la comme une observation à communiquer à un vétérinaire. Une courte vidéo peut vous aider à décrire ce que vous avez vu, mais un score issu de la recherche ne peut pas en déterminer la cause. N’utilisez pas l’étiquette attribuée par un dispositif pour retarder une consultation ou décider qu’un exercice est sans danger.

Pour obtenir des informations pratiques sur les soins, consultez notre guide sur les blessures du jarret chez le chien. Cette ressource répond à un besoin différent de celui de cette synthèse d’étude : les conseils de soins ne doivent pas être déduits d’une mesure de recherche produite par un modèle.

En résumé

Cette étude est utile, car elle examine une question qu’il est facile de simplifier à l’excès. Des capteurs inertiels portables ont enregistré les mouvements, et un modèle d’apprentissage profond a identifié des caractéristiques permettant de distinguer les groupes définis dans l’étude. Le test réalisé avec des chiens jamais vus auparavant montre ensuite pourquoi il faut toujours associer le résultat à l’échantillon initial et au protocole d’évaluation.

La conclusion responsable reste mesurée. Les modèles d’analyse de la démarche canine pourraient aider les chercheurs à quantifier les mouvements dans des conditions définies. L’article ne permet pas d’établir l’existence d’un outil de diagnostic à domicile, d’un score de démarche universel ou d’une garantie concernant la sécurité de l’exercice. Pour évaluer de futures affirmations, recherchez une séparation des données au niveau du chien, une validation sur de nouveaux chiens, des catégories clairement définies et une possibilité de recours à un professionnel pour interpréter une véritable modification des mouvements.

Du résultat d’étude à un signal réellement utile

Un résultat issu d’un dispositif connecté devient plus utile lorsqu’il peut être comparé aux mouvements habituels du même chien. Cela implique de noter la surface de marche, l’allure, la direction et l’heure de la journée, puis de rechercher une tendance plutôt que de réagir à un seul passage inhabituel. Un dispositif peut aider à enregistrer les mouvements ; il ne permet pas de déterminer si une modification est importante pour un chien donné.

La limite pratique est donc claire. Les propriétaires peuvent utiliser une mesure pour repérer une question et la décrire plus précisément à un professionnel. Ils ne doivent pas utiliser une classification issue d’une étude comme diagnostic à domicile ni considérer le score d’un dispositif comme un substitut à un examen. L’intérêt réside dans une meilleure discussion, fondée sur des observations répétées et replacées dans leur contexte.

Sources et note de mise à jour

L’article source et les tableaux pertinents ont été vérifiés le 1er septembre 2026. Il s’agit d’une synthèse consacrée à une seule étude, et non d’une revue systématique ou d’une méta-analyse. L’article présente l’échantillon, les méthodes et les mesures de l’étude, avec le contexte de chaque tâche et de chaque test. Notre interprétation est signalée lorsqu’elle va au-delà du résultat direct de l’article.

1. Palez, N., Straß, L., Meller, S. et al. « Analyse de la démarche canine à l’aide de capteurs inertiels et de l’apprentissage profond pour les troubles orthopédiques et neurologiques. » Scientific Reports 16, 13966 (2026). Notice Nature
2. Tableau 5 : performances de la classification multiclasse dans le scénario de généralisation
3. Tableau 6 : synthèse des principaux résultats de classification

Cet article est fourni à titre informatif et ne constitue ni un diagnostic vétérinaire ni un conseil thérapeutique.