Méthodologie
La science derrière StrideMatch
Comment nous analysons 500+ chaussures pour vous trouver la meilleure
Pipeline d'analyse
Notre pipeline d'analyse
Chaque chaussure est analysée selon plus de 50 critères techniques avant d'entrer dans notre catalogue
01
Collecte de données
Analyse de vos données de course depuis vos applications connectées
02
Analyse Biomécanique
Extraction des métriques de foulée via vidéo et capteurs
03
Matching Intelligent
Croisement de votre profil avec notre base de données de chaussures
04
Recommandations Personnalisées
Propositions de modèles adaptés selon vos besoins uniques
Biomécanique
Nos capacités d'analyse
Machine learning, données biomécaniques et expertise humaine combinés
Analyse de la cadence
Mesure le nombre de pas par minute pour optimiser l'efficacité de la course et éviter les foulées trop longues.
Attaque du pied
Analyse si vous atterrissez sur le talon, le médio-pied ou l'avant-pied pour déterminer le drop nécessaire.
Contrôle de la pronation
Évalue le roulement vers l'intérieur de votre pied pour recommander des chaussures neutres ou stables.
Stabilité dynamique
Évalue la capacité de votre corps à maintenir l'équilibre pendant la phase d'appui.
Oscillation verticale
Suit le mouvement vertical de votre torse pour améliorer la propulsion vers l'avant.
Symétrie de contact au sol
Compare les temps de contact des pieds gauche et droit pour identifier les déséquilibres musculaires.
Recherche
L'expertise de notre équipe
Des spécialistes en biomécanique, podologie et sciences du sport
Expert Biomécanique & Data Science
Biomécanique, analyse de foulée, science des matériaux
Maxime combine une expertise en biomécanique sportive et en data science pour développer les algorithmes de recommandation de StrideMatch.
“Chaque coureur est unique. Notre mission est de traduire cette unicité en recommandations de chaussures précises.”
1,885+
+100k coureurs analysés
+500
+500 modèles de chaussures
4
+50 bases de données biomécaniques
15+
+20 métriques suivies
Datasets
Jeux de données scientifiques utilisés
Running Injury Clinic Kinematic Dataset
2024Ferber R, Osis ST, Hettinga BA, Noehren B
University of Calgary · n=1 798 coureurs
CadenceBlessuresCinématique
Fukuchi Running Biomechanics Dataset
2017Fukuchi RK, Fukuchi CA, Duarte M
Universidade Federal do ABC · n=39 coureurs
GRFCinématique 3DTapis
Van Hooren Running Dataset
2023Van Hooren B, Fuller JT, Miller J, et al.
Maastricht University · n=19 coureurs
TerrainGRFIMU
Publications
Recherches biomécaniques référencées
Increased vertical impact forces and altered running mechanics with softer midsole shoes
2015Baltich J, Maurer C, Nigg BM
Journal of Biomechanics
Biomechanical risk factors associated with running-related injuries: a systematic review
2019Ceyssens L, Vanelderen R, Barton C, et al.
Sports Medicine
Foot strike patterns and collision forces in habitually barefoot versus shod runners
2010Lieberman DE, Venkadesan M, et al.
Nature
A public dataset of running biomechanics and the effects of running speed on lower extremity kinematics and kinetics
2017Fukuchi RK, Fukuchi CA, Duarte M
PeerJ
The effect of running shoes on lower extremity joint torques
2009Kerrigan DC, Franz JR, et al.
PM&R
Machine Learning
Transparence & méthodologie
Nous publions notre méthodologie pour que vous puissiez comprendre comment nous calculons nos recommandations
Méthodologie ouverte
Nous croyons en une transparence totale. Nos algorithmes de recommandation sont basés sur des recherches biomécaniques validées par des pairs, et non sur des arguments marketing.
Filtrage collaboratif
Notre système apprend de coureurs ayant des profils similaires au vôtre pour affiner ses recommandations.
Boucle de feedback
Chaque retour d'utilisateur et chaque nouvelle course Strava contribue à améliorer la précision globale de l'algorithme.
