Jour 4 · 8 octobre 2026 · Lecture 2 min
Calories des montres : le chiffre le moins fiable du poignet
J'ai fait le point sur la façon dont les wearables estiment la dépense énergétique, et sur ce qu'une app de nutrition sportive devrait en faire.
À retenirLa dépense calorique d'une montre est une mesure bruitée, souvent fausse de 20 à 30 % : il faut l'afficher en fourchette et la recaler sur le poids et les apports.
≈ 28 %
Erreur moyenne de l'Apple Watch sur la dépense énergétique, 56 études1
−21 / +15 %
Fourchette des erreurs de dépense selon appareil et activité2
0 sur 9
Marques jugées exactes pour la dépense, sur 158 publications3
01L'état des lieux
- ÉtabliAucune marque grand public n'estime la dépense énergétique de façon exacte, alors que pas et fréquence cardiaque sont corrects en laboratoire.3
- ÉtabliLe biais moyen est faible, mais la dispersion est forte : le problème est la précision individuelle, pas la moyenne.2
- ÉtabliL'activité pèse plus que l'appareil : erreur la plus faible en vélo, la plus forte en marche.5
- ÉtabliAjouter la fréquence cardiaque à l'accéléromètre réduit l'erreur dans la plupart des activités ; l'hétérogénéité entre études reste forte.4
- DébattuLa dépense totale semblerait plafonner chez les très actifs : additionner chaque calorie d'exercice affichée la surestimerait.7
- Peu étudiéLe sport intermittent et la vie réelle restent peu validés ; les premiers résultats montrent une sous-estimation.
02Erreur de l'Apple Watch selon la mesure
Voir les données
| % | |
|---|---|
| Fréquence cardiaque | 4,43 |
| Nombre de pas | 8,17 |
| Dépense énergétique | 27,96 |
03En un schéma
flowchart LR A["Capteurs FC et mouvement"] -->|"bruit, transitions"| B["Modèle de conversion"] D["Profil âge poids VO2max"] --> B B -->|"activité, post-effort"| C["DE affichée bruitée"] F["Apports saisis"] --> G["Bilan observé"] H["Poids lissé"] --> G C --> E["Fusion pondérée"] G --> E E --> I["Dépense recalée avec fourchette"]
04Idées de projets
Recalage par le poids
Combiner la dépense de la montre et celle déduite des apports et du poids lissé, pondérées par leur incertitude, pour corriger le biais propre à chaque utilisateur.
Confiance par source
Afficher une fourchette plutôt qu'un chiffre et pondérer chaque séance selon la source, du capteur de puissance au poignet seul.
Alerte disponibilité énergétique
Calculer une disponibilité énergétique avec bornes basse et haute, et orienter vers un professionnel si la borne haute passe sous le seuil.
Et pour moi ?
Ce sujet me confirme que je veux travailler à la jonction entre données de capteurs et produit. J'aime l'idée de traiter une mesure imparfaite avec rigueur et de rendre son incertitude lisible pour l'utilisateur.
Sources (8)
- Choe J-P, Kang M, 2025, méta-analyse de 56 études sur la précision de l'Apple Watch, communication University of Mississippi olemiss.edu
- Doherty C et al., 2024, Keeping Pace with Wearables: A Living Umbrella Review of Systematic Reviews Evaluating the Accuracy of Consumer Wearable Technologies in Health Measurement, Sports Medicine doi.org
- Fuller D et al., 2020, Reliability and Validity of Commercially Available Wearable Devices for Measuring Steps, Energy Expenditure, and Heart Rate: Systematic Review, JMIR mHealth and uHealth doi.org
- O'Driscoll R et al., 2020, How well do activity monitors estimate energy expenditure? A systematic review and meta-analysis of the validity of current technologies, British Journal of Sports Medicine doi.org
- Shcherbina A et al., 2017, Accuracy in Wrist-Worn, Sensor-Based Measurements of Heart Rate and Energy Expenditure in a Diverse Cohort, Journal of Personalized Medicine doi.org
- Le S et al., 2022, Validity of three smartwatches in estimating energy expenditure during outdoor walking and running, Frontiers in Physiology doi.org
- Pontzer H et al., 2016, Constrained Total Energy Expenditure and Metabolic Adaptation to Physical Activity in Adult Humans, Current Biology doi.org
- Hall KD et al., 2011, Quantification of the effect of energy imbalance on bodyweight, The Lancet doi.org