Offre de stage M2 sur le suivi comportemental du cheval par accéléromètres

Titre du Projet :
Développement d’un outil de suivi du comportement de chevaux de course au box, basé
sur l’utilisation de données accélérométriques et faisant appel à l’intelligence artificielle.
Laboratoire d’accueil :
UMR MoSAR INRAE-AgroParis Tech-Université Paris Saclay
En collaboration avec l’Equipe BEL (Bien-Etre et Locomotion), Ecole Nationale Vétérinaire
d’Alfort (EnvA) et INRAE.
Co-encadrants :
- Masoomeh Taghipoor (IR INRAE, UMR MoSAR, INRAE-AgroParis Tech-Université Paris
Saclay)
- Philippe Pourcelot (IR INRAE) et Nathalie Crevier-Denoix (PR EnvA), Equipe BEL (EnvA)
Candidatures (CV et lettre de motivation) à envoyer avant le 15/11/2026, à :
nathalie.crevier-denoix@vet-alfort.fr et masoomeh.taghipoor@inrae.fr
Projets :
Contexte et problématique
La détection précoce des affections locomotrices chez les chevaux de courses constitue un
enjeu majeur pour la filière équine, sur le plan économique et plus encore aujourd’hui, sur le plan
du bien-être animal. En effet, ces affections imliquent des baisses de performance, des
interruptions voire des arrêts définitifs de la carrière des chevaux (ex. tendinopathies sévères),
mais surtout, elles peuvent évoluer vers des lésions majeures (ex. fractures de fatigue, à
l’entraînement ou en courses), pouvant entraîner l’euthanasie de l’animal. Cette situation pose
un problème éthique, et nuit par ailleurs gravement à l’image des courses auprès du grand public.
Les approches actuellement mises en œuvre pour la détection des affections locomotrices
débutantes reposent principalement sur des évaluations cliniques, des examens d’imagerie et
depuis peu, et de façon encore sporadique, sur des mesures réalisées à l’aide de capteurs de
mouvement embarqués, sur le cheval au travail.
Des études récentes suggèrent que certaines modifications comportementales pourraient
précéder l’apparition de signes cliniques de douleur ou d’inconfort locomoteur (Ask et al., 2020 ;
Anderson et al., 2022). Le suivi du comportement des chevaux de courses pourrait ainsi fournir
des indicateurs complémentaires permettant d’améliorer la détection précoce des affections
locomotrices, et de mieux comprendre les interactions entre état de santé, activité quotidienne
et comportement des chevaux.
Le projet Tendisound (Détection précoce et prévention des tendinopathies du Tendon Fléchisseur
Superficiel du Doigt (TFSD) chez les chevaux de courses d'obstacles : étude multicentrique basée
sur une approche clinique, échographique, biomécanique et comportementale), conçu par
l’équipe BEL (Bien-Etre et Locomotion, ex-USC INRAE-EnvA 957 BPLC), est une étude prospective
longitudinale visant à détecter la tendinopathie du TFSD à un stade précoce, préclinique.
2
Dans le cadre de ce projet, qui débutera à l’automne 2026, plusieurs effectifs de chevaux de
courses à l’entraînement seront étroitement suivis sur le plan médico-sportif (nombre total visé
de chevaux suivis à l’issue du projet : 100). Parallèlement au suivi de la locomotion des chevaux
à la piste (objet de la thèse de L. Fayaubot), et à leur suivi clinique et échographique, visant à
détecter précocement toute affection locomotrice (en particulier toute tendinopathie du TFSD)
débutante, un volet comportemental est prévu afin d’évaluer le bien-être des chevaux,
notamment au box (en dehors du travail).
Au-delà des observations basées sur les protocole et grilles en vigueur (ex. protocole AWIN), se
développent actuellement dans diverses espèces animales des dispositifs permettant la mesure
automatique et en continu des « activités » des animaux. L’UMR MoSAR (INRAE-AgroParis-Tech
Université Paris Saclay) a récemment développé des méthodes innovantes de caractérisation
comportementale basées sur l’analyse de données accélérométriques et leur traitement
automatisé via le pipeline ACT4Behav (Mauny, 2025). L’adaptation de ces outils au cheval
permettrait d’étendre le domaine d’application du pipeline à une nouvelle espèce.
Les chevaux de courses étant gardés le plus souvent au box, il sera facile - dans le cadre du projet
Tendisound - d’équiper les boxes de caméras pour les étapes d’annotation et de validation des
activités détectées. L’équipe BEL dispose par ailleurs de compétences et d’expérience, à la fois
dans l’exploitation de vidéo de chevaux filmés à large échelle (Doucet, 2007 ; Krisjansson et al.,
2013 ; Ricard et al., 2023), et dans l’analyse de signaux accélérométriques bruts (Martino et al.,
2013).
Le projet Tendisound constitue ainsi une opportunité scientifique exceptionnelle pour explorer un
nouveau champ d’application du pipeline ACT4Behav, à travers la détection accélérométrique
automatisée, non seulement d’activités physiologiques, mais aussi d’attitudes suspectes ou
indicatrices d’inconfort.
Objectifs
L’objectif général de ce projet de Master 2 est le développement, sur un effectif pilote (5 chevaux),
d’un outil de suivi automatisé du comportement de chevaux au box, basé sur l’utilisation de
données issues d’accéléromètres et faisant appel à l’intelligence artificielle.
Les objectifs spécifiques prioritaires sont :
• Identifier et caractériser les principaux comportements exprimés par les chevaux au box
(déplacement vs. immobilité, position debout vs. couché, alimentation, comportement
d’anxiété-inconfort- ex. grattage du sol, roulages répétés, tics, etc.).
• Constituer une base de données synchronisée associant signaux accélérométriques et
observations vidéo.
• Développer et évaluer un modèle de classification automatique des comportements à
l’aide de méthodes de machine-learning.
Les objectifs applicatifs visés sont :
• Étudier les liens potentiels entre les profils comportementaux observés au repos (au box)
et les indicateurs locomoteurs collectés dans le cadre du projet Tendisound.
3
• Tester l’adaptabilité du pipeline ACT4Behav au suivi comportemental des équidés.
Méthodologie
Une étude pilote sera conduite sur un effectif de 5 chevaux suivis dans le cadre du projet
Tendisound. Chaque animal sera équipé, lorsqu’il sera au box, d’un capteur accélérométrique
triaxial type « Axivity » fixé sur un licol. Les acquisitions seront réalisées pendant trois jours
consécutifs afin de couvrir différentes phases d’activité et de repos.
Parallèlement, une caméra vidéo sera installée dans chaque box afin d’assurer un enregistrement
continu du comportement des chevaux pendant toute la durée du suivi. Les données vidéo et
accélérométriques seront synchronisées afin de permettre une annotation précise des
comportements observés.
Une première phase consistera à définir un éthogramme adapté aux comportements les plus
fréquemment observés au box. Environ 70 % des séquences vidéo seront ensuite annotées
manuellement afin de constituer une base d’apprentissage.
Ces données serviront à entraîner plusieurs modèles de classification comportementale fondés
sur des approches d’apprentissage supervisé. Les 30 % de données restantes constitueront un
jeu de test indépendant permettant d’évaluer les performances des modèles en termes de
précision et de sensibilité.
Enfin, les profils comportementaux obtenus seront comparés aux indicateurs locomoteurs
collectés dans le cadre de Tendisound afin d’explorer l’existence d’éventuelles relations entre
comportement au repos et intégrité locomotrice.
Résultats attendus
Ce travail de Master devrait permettre de démontrer la faisabilité d’une caractérisation
automatisée du comportement des chevaux au box à partir d’accéléromètres portés par les
animaux. Il contribuera à la création d’une première base de données comportementale
associant vidéo et mesures accélérométriques chez le cheval.
Les résultats obtenus permettront également d’évaluer le potentiel du pipeline ACT4Behav pour
le suivi comportemental des équidés et d’identifier les adaptations nécessaires à son
déploiement dans cette espèce.
À plus long terme, les connaissances acquises pourraient contribuer au développement d’outils
de surveillance automatisée du bien-être et de la santé des chevaux, capables de détecter
précocement des modifications comportementales associées à l’apparition d’affections ou à des
états d’inconfort voire de douleur.
Ce projet offre un caractère fortement pluridisciplinaire à l’interface entre sciences animales,
biomécanique, traitement du signal et intelligence artificielle. Il permettra à l’étudiant d’acquérir
des compétences en expérimentation animale, gestion et analyse de données, annotation
comportementale, apprentissage automatique et interprétation biologique des résultats. Il
s’inscrit pleinement dans les thématiques actuelles de l’élevage de précision et du suivi
numérique du bien-être animal.
4
Références bibliographiques
Ask, K., Rhodin, M., Tamminen, L. M., Hernlund, E., & Haubro Andersen, P. (2020). Identification of
Body Behaviors and Facial Expressions Associated with Induced Orthopedic Pain in Four Equine Pain
Scales. Animals, 10(11), 2155. https://doi.org/10.3390/ani10112155
Anderson, K., Morrice-West, A. V., Walmsley, E. A., Fisher, A. D., Whitton, R. C., & Hitchens, P. L. (2022).
Validation of inertial measurement units to detect and predict horse behaviour while stabled. Equine
veterinary journal, 55(6), 1128–1138. https://doi.org/10.1111/evj.13909
Gobbo, E., Maccario, C., Zupan Šemrov, M., Bovo, M., Atallah, E., Minero, M., & Dalla Costa, E. (2025).
Exploring the impact of housing routine on lying behavior in horses measured with triaxial
accelerometer. Frontiers in veterinary science, 12, 1572051.
https://doi.org/10.3389/fvets.2025.1572051
Kristjansson T., Bjornsdottir S., Sigurdsson A., Crevier-Denoix N., Pourcelot P. and Arnason T (2013).
Objective quantification of conformation of the Icelandic horse on 3-D video morphometric
measurements. Livestock Science, 158, 1-3, 12-23, ISSN 1871-1413,
https://doi.org/10.1016/j.livsci.2013.09.019.
Martino, J., Pourcelot, P., Falala, S., Camus, M., Holden-Douilly, L., Chateau, H., & Crevier-Denoix, N.
(2013). Estimation of longitudinal hoof slip displacement at the canter on two different track surfaces
using accelerometric and kinematic methods: a preliminary comparative study with one horse.
Computer Methods in Biomechanics and Biomedical Engineering, 16(sup1), 139–141.
https://doi.org/10.1080/10255842.2013.815979
Mauny S. (2025) Une approche par modélisation pour caractériser les profils d'activité de chèvres
laitières à partir de données accélérométriques. Application dans le cas d'une perturbation
environnementale induite. Thèse de Doctorat d’Université. Sciences agricoles. Université Paris-Saclay
⟨NNT : 2025UPASB083⟩.
Mauny, S., Kwon, J., Friggens, N. C., Duvaux-Ponter, C., Taghipoor, M. (2025). A pipeline with pre-
processing options to detect behaviour from accelerometer data using Machine Learning tested on
dairy goats. Peer Community Journal, Volume 5, article no. e41.
https://doi.org/10.24072/pcjournal.545
Ricard, A., Crevier-Denoix, N., Pourcelot, P., Crichan, H., Sabbagh, M., Dumont-Saint-Priest, B., &
Danvy, S. (2023). Genetic analysis of geometric morphometric 3D visuals of French jumping horses.
Genetics, selection, evolution : GSE, 55(1), 63. https://doi.org/10.1186/s12711-023-00837-8.