Les bagues connectées savent aujourd’hui mesurer le sommeil, la fréquence cardiaque ou encore certains indicateurs de récupération avec une finesse impressionnante. Mais derrière ces scores se cache un problème plus discret : une grande partie des algorithmes qui les alimentent est encore entraînée sur des groupes de participants relativement restreints, souvent très éloignés de la diversité réelle des utilisateurs.
À l’occasion de l’IFA 2026, Ultrahuman veut s’attaquer à cette limite avec Pulsomics, un nouveau programme de recherche participative directement intégré à son application. Les propriétaires d’une Ultrahuman Ring peuvent choisir de partager leurs données de sommeil afin d’aider la marque à affiner ses modèles de santé à partir de données collectées dans des conditions de vie réelles.
Pulsomics veut sortir les algorithmes du laboratoire
Le principe est assez simple. Lorsqu’un utilisateur accepte de participer, sa bague continue de fonctionner normalement pendant la nuit et enregistre notamment le signal de l’onde de pouls. Ces données sont ensuite croisées avec les habitudes quotidiennes, les informations de sommeil et d’autres biomarqueurs disponibles dans l’écosystème Ultrahuman.
L’objectif n’est pas simplement d’accumuler davantage de données, mais de disposer de données plus représentatives.
La précision d’un wearable dépend en effet de nombreux paramètres, parmi lesquels la couleur de peau, la morphologie, la composition corporelle ou encore l’ajustement du capteur sur le doigt. Un modèle entraîné sur une population trop homogène risque donc de fonctionner correctement dans les conditions du laboratoire tout en étant moins fiable dès qu’il rencontre une population beaucoup plus diverse.
Pulsomics cherche précisément à réduire cet écart.
Le problème des données d’entraînement devient central pour les wearables
C’est un sujet particulièrement important à mesure que les appareils connectés commencent à fournir des recommandations de plus en plus personnalisées. Une bague peut mesurer correctement un signal physiologique, mais l’interprétation de ce signal dépend ensuite d’un modèle. Si celui-ci a été construit à partir de quelques centaines de personnes suivies dans des conditions très contrôlées, il ne reflète pas nécessairement les rythmes de sommeil, profils métaboliques ou caractéristiques physiques de dizaines de milliers d’utilisateurs.
Le problème n’est donc plus seulement la qualité du capteur.
Il concerne aussi la manière dont les données sont traduites en scores, tendances et recommandations. En ouvrant la collecte à ses propres utilisateurs, Ultrahuman veut rapprocher l’entraînement de ses modèles de la réalité quotidienne, avec toute la variabilité qu’elle implique.
Trois études démarrent dès maintenant
Ultrahuman lance Pulsomics avec trois études distinctes. La première, baptisée Sleep Sufficiency Study, croise les données de sommeil nocturne avec les signaux de pouls afin d’essayer de déterminer combien de repos une personne a réellement besoin, plutôt que de s’appuyer uniquement sur une recommandation moyenne. C’est une nuance importante. Deux personnes peuvent dormir sept heures et présenter des niveaux de récupération très différents. L’ambition consiste donc à construire des modèles capables de tenir davantage compte du profil individuel.
La deuxième étude porte sur le métabolisme du glucose. Elle associe les signaux mesurés par la bague à des résultats récents d’analyses sanguines afin d’explorer des relations entre données physiologiques et état métabolique.
Enfin, une troisième étude s’intéresse au VO2 max, avec l’objectif de comparer le signal de pouls aux indicateurs de condition physique et aux mesures obtenues en laboratoire afin d’améliorer l’estimation de la santé cardiovasculaire.
L’utilisateur n’a presque rien à changer dans ses habitudes
L’un des intérêts du programme est son caractère passif. Après avoir rejoint une étude et répondu à quelques questions permettant d’établir un profil de départ, l’utilisateur continue simplement à porter sa bague comme d’habitude.
La collecte et le croisement des données se font ensuite en arrière-plan. Il n’est donc pas nécessaire de participer à des séances supervisées ou de suivre un protocole quotidien complexe, ce qui permet à Ultrahuman d’espérer recueillir des données beaucoup plus représentatives des conditions réelles.
Cette approche peut aussi augmenter considérablement la taille des cohortes par rapport à une étude traditionnelle menée dans un environnement clinique.
Le passage à grande échelle peut améliorer la personnalisation
Si suffisamment d’utilisateurs participent, Pulsomics peut donner à Ultrahuman accès à une variété de profils difficile à reproduire dans un laboratoire. Les différences d’âge, de mode de vie, de sommeil, d’activité physique et de morphologie créent un ensemble beaucoup plus hétérogène. C’est précisément cette diversité qui peut aider à construire des modèles moins dépendants d’un profil moyen.
Pour un produit comme une bague connectée, cette évolution est stratégique. Les utilisateurs n’attendent plus seulement de voir une fréquence cardiaque ou une durée de sommeil. Ils veulent savoir ce que ces données signifient pour eux personnellement.
Plus le modèle est personnalisé, plus le wearable peut prétendre devenir un véritable outil d’interprétation plutôt qu’un simple collecteur de mesures.
Une recherche plus réaliste, mais pas automatiquement plus fiable
L’intérêt des données collectées dans le monde réel ne signifie pas qu’elles soient intrinsèquement meilleures que celles d’une étude contrôlée. Elles sont surtout différentes. Une étude de laboratoire permet de contrôler précisément les conditions, la qualité des mesures de référence et les facteurs susceptibles de perturber les résultats. Une étude à grande échelle menée auprès des utilisateurs gagne en diversité, mais perd une partie de ce contrôle.
Un utilisateur peut porter sa bague différemment d’un jour à l’autre, mal renseigner certaines informations ou fournir une analyse biologique réalisée dans des conditions différentes.
L’enjeu pour Ultrahuman sera donc de combiner la richesse de ces données réelles avec des méthodes suffisamment rigoureuses pour ne pas transformer la quantité en bruit statistique.
La question du consentement devient aussi importante que la technologie
Ultrahuman insiste sur le caractère optionnel du programme. La participation est gratuite, volontaire et réversible. Les utilisateurs peuvent donc quitter une étude après y avoir adhéré. La marque indique également que les données utilisées sont désidentifiées avant leur exploitation et qu’elles ne sont pas transmises à des tiers à des fins de publicité ciblée.
Ces garanties sont particulièrement importantes dans le domaine de la santé connectée.
Des données sur le sommeil, l’activité ou le métabolisme peuvent devenir extrêmement sensibles lorsqu’elles sont reliées à une identité. Même lorsqu’un système ne fournit pas de diagnostic médical, la quantité d’informations physiologiques qu’il collecte exige un niveau élevé de transparence.
Le succès d’un programme comme Pulsomics dépendra donc autant de la confiance des utilisateurs que de la qualité scientifique du projet.
Les wearables entrent dans une nouvelle phase
Pendant plusieurs années, les montres et bagues connectées se sont surtout différenciées par leurs capteurs. Fréquence cardiaque, température, SpO2, variabilité du rythme cardiaque ou encore suivi du sommeil. Désormais, les fabricants disposent souvent de composants similaires. La vraie différence se déplace progressivement vers l’interprétation.
Ce n’est plus seulement « quelles données pouvons-nous mesurer ? », mais « que pouvons-nous apprendre de ces données ? ». Pulsomics s’inscrit exactement dans cette transition.
Le sommeil constitue un terrain particulièrement pertinent
Le choix de commencer par le sommeil est logique. C’est probablement le domaine où les bagues connectées possèdent le plus d’avantages face aux montres traditionnelles. Leur format réduit les rend généralement plus confortables à porter toute la nuit, et le contact continu avec le doigt permet de collecter différents signaux physiologiques.
Mais, les scores de sommeil restent aussi particulièrement difficiles à interpréter.
Une durée identique ne signifie pas nécessairement la même récupération pour deux personnes. Les besoins varient en fonction de l’âge, de l’activité physique, du stress, de l’historique de sommeil et de nombreux autres facteurs.
Un modèle construit sur une population plus large pourrait donc aider à passer d’une recommandation générique à une estimation plus personnelle.
Le VO2 max montre une autre ambition d’Ultrahuman
L’étude consacrée au VO2 max est également intéressante parce qu’elle montre jusqu’où Ultrahuman souhaite aller dans l’interprétation indirecte des données.
Le VO2 max est traditionnellement mesuré avec des protocoles d’effort spécifiques et du matériel spécialisé.
Les wearables cherchent depuis plusieurs années à l’estimer grâce à différents signaux physiologiques et données d’activité. En comparant les mesures de la bague à des références de laboratoire, Ultrahuman peut chercher à réduire l’écart entre une estimation pratique et une véritable mesure clinique.
Il faudra toutefois maintenir une distinction claire entre les deux. Une estimation issue d’une bague connectée peut être utile pour suivre une tendance, sans devenir pour autant l’équivalent d’un test médical réalisé dans des conditions contrôlées.
Même prudence pour les données liées au glucose
Le volet consacré au métabolisme du glucose demande probablement encore plus de prudence. La bague ne mesure pas directement la glycémie. Le programme cherche à croiser certains signaux physiologiques avec des analyses sanguines récentes pour identifier des relations potentielles.
Cela peut être utile pour améliorer les modèles ou générer de nouvelles hypothèses, mais il ne faut pas en déduire qu’une bague connectée peut remplacer un dispositif médical de mesure du glucose.
C’est précisément dans ce type de domaine que les fabricants de wearables doivent éviter de brouiller la frontière entre bien-être et diagnostic.
Emerald et Pulsomics montrent la même stratégie
Pulsomics arrive peu après Emerald, présenté par Ultrahuman comme l’une des évolutions majeures de sa plateforme. Avec Emerald, la marque cherche déjà à réduire la dépendance aux graphiques bruts pour proposer davantage de conseils et d’interprétations directement exploitables.
Pulsomics complète cette approche en travaillant en amont. Pour donner de meilleurs conseils, il faut de meilleurs modèles. Et pour construire de meilleurs modèles, Ultrahuman estime qu’il faut davantage de données issues d’utilisateurs réels.
Les deux projets suivent donc la même logique : déplacer la valeur du produit du capteur vers l’intelligence construite autour des données.
Oura et les autres acteurs vont devoir répondre sur la qualité des modèles
Le marché des bagues connectées devient de plus en plus concurrentiel. Oura reste une référence importante, tandis que Samsung, Ultrahuman et d’autres acteurs cherchent à différencier leurs plateformes par leurs algorithmes et leurs services.
À mesure que les capteurs convergent, les fabricants seront probablement amenés à communiquer davantage sur la manière dont leurs modèles sont entraînés.
Combien de personnes ? Quels profils ? Quelles méthodes de validation ? Quelles performances selon l’âge, la couleur de peau ou la morphologie ? Ces questions étaient longtemps réservées aux publications scientifiques. Elles commencent à devenir des critères de différenciation commerciale.
Transformer les utilisateurs en participants à la recherche change la relation avec le produit
Pulsomics introduit aussi une dimension communautaire intéressante. L’utilisateur ne reçoit plus seulement des informations de sa bague. Il peut contribuer directement à améliorer les modèles dont bénéficieront potentiellement les autres utilisateurs.
Cette logique existe déjà dans de nombreux projets scientifiques participatifs, mais elle reste relativement nouvelle dans l’univers des wearables grand public. Cependant, elle fonctionne uniquement si le bénéfice est réellement partagé. Les utilisateurs accepteront plus facilement de fournir leurs données si les résultats permettent d’améliorer les produits qu’ils utilisent, plutôt que d’alimenter uniquement un actif propriétaire dont ils ne perçoivent jamais les retombées.
La transparence sur les résultats des études sera donc un point essentiel.
Le prochain avantage compétitif des wearables sera probablement statistique
Les fabricants ont longtemps essayé de gagner la bataille des capteurs. Ils pourraient désormais commencer à se battre sur la qualité de leurs cohortes. Une entreprise disposant de millions de mesures collectées sur une population très diverse peut construire des modèles beaucoup plus robustes qu’un concurrent disposant de quelques études relativement limitées.
Cela crée aussi un effet de réseau intéressant : plus il y a d’utilisateurs, plus les données deviennent riches ; plus les modèles s’améliorent, plus le produit devient attractif.
Pulsomics cherche clairement à enclencher cette dynamique.
Une idée prometteuse, à condition de rester scientifique
Sur le principe, le programme répond à une vraie faiblesse de l’industrie. Les wearables ne peuvent pas prétendre devenir plus personnalisés si leurs algorithmes continuent d’être entraînés sur des groupes trop petits ou trop homogènes. Collecter des données auprès de milliers d’utilisateurs dans des conditions réelles peut donc apporter énormément de valeur.
Mais, cette ouverture ne dispense pas Ultrahuman de validation scientifique rigoureuse, de contrôle des biais et d’une communication très prudente sur ce que ses modèles peuvent réellement conclure.
Les données de santé deviennent utiles lorsqu’elles sont nombreuses, mais elles deviennent fiables lorsqu’elles sont correctement interprétées. Avec Pulsomics, Ultrahuman veut désormais travailler sur les deux fronts. Et si le programme tient ses promesses, la prochaine grande amélioration des bagues connectées ne viendra peut-être pas d’un nouveau capteur, mais d’une meilleure compréhension de tous ceux qui les portent.
