Deux montres portées pendant la même séance peuvent afficher des dépenses caloriques différentes. L’écart vient souvent du signal cardiaque, de l’activité et du modèle de calcul, pas nécessairement d’une panne.
Une montre connectée ne mesure pas directement l’énergie dépensée. Elle l’estime à partir de la fréquence cardiaque, des mouvements, de la durée de l’activité et des informations personnelles renseignées dans l’application. Une Apple Watch et une Garmin peuvent donc analyser une séance comparable avec des méthodes différentes.
Une montre ne mesure pas directement les calories
La dépense énergétique est liée à la consommation d’oxygène, ou VO2. En calorimétrie indirecte, un analyseur de gaz mesure l’oxygène consommé pour estimer le coût métabolique d’un effort. Cette méthode demande du matériel et un protocole qui ne sont pas adaptés au suivi quotidien.
Les montres utilisent donc des modèles mathématiques. La fréquence cardiaque joue un rôle central parce qu’elle augmente souvent avec la demande en oxygène, mais cette relation varie selon les personnes. L’âge, le sexe, l’indice de masse corporelle, la fréquence cardiaque au repos, le niveau d’entraînement, certains médicaments, la température, l’hydratation et la caféine peuvent modifier le rapport entre le rythme cardiaque et l’effort réel.
Pourquoi Apple Watch et Garmin n’affichent pas le même résultat
Les logiciels ne pondèrent pas les mêmes données
Même lorsque deux montres enregistrent une fréquence cardiaque proche, leurs logiciels peuvent lui donner un poids différent. Le poids, le profil sportif, la vitesse, le mouvement détecté et la durée de l’effort peuvent entrer dans le calcul selon le modèle utilisé par chaque fabricant.
Il faut aussi vérifier le type de dépense affiché. Les calories actives correspondent à l’énergie attribuée à l’activité. Les calories totales peuvent inclure l’énergie dépensée au repos pendant la même période. Comparer une valeur active avec une valeur totale suffit à créer un écart qui ne vient pas des capteurs.
Le cardio au poignet devient moins stable dans certains exercices
Les capteurs optiques utilisent la lumière pour suivre les variations du flux sanguin. Un bracelet mal ajusté, des mouvements rapides, des changements brusques de rythme ou la contraction des muscles peuvent perturber le signal. Une montre peut ainsi suivre correctement une allure régulière et réagir moins bien pendant des intervalles courts ou une séance de renforcement.
Une étude publiée dans Frontiers in Sports and Active Living a comparé quatre montres chez 40 adultes en bonne santé pendant un protocole de 45 minutes associant étirements, vélo et course. Les modèles Apple Watch et Garmin faisaient partie des montres premium dont la précision de la fréquence cardiaque était élevée dans ce protocole. Les chercheurs ont ensuite appliqué le même modèle standardisé de fréquence cardiaque pour calculer la dépense calorique. Ce protocole ne permet donc pas de déterminer quelle marque possède le meilleur algorithme propriétaire de calories.
Cette distinction sépare deux questions souvent confondues : la montre mesure-t-elle correctement le rythme cardiaque, et le logiciel convertit-il correctement ce rythme en dépense énergétique? Une bonne réponse à la première question ne garantit pas la seconde.
Le profil de l’utilisateur compte dans le calcul
Une étude publiée dans Bioengineering a étudié 16 personnes après un AVC pendant des exercices de marche sur tapis. La fréquence cardiaque seule estimait la consommation relative d’oxygène avec une erreur absolue moyenne de 3,11 mL d’oxygène par kilogramme et par minute. En ajoutant l’âge, le sexe et l’IMC, l’erreur est descendue à 1,99.
Ces résultats concernent une population spécifique et un protocole de marche. Ils ne prouvent pas qu’une montre grand public atteint la même précision chez une personne en bonne santé. Ils montrent toutefois pourquoi la fréquence cardiaque seule ne suffit pas toujours à estimer la dépense.
Une autre étude, publiée dans International Journal of Environmental Research and Public Healtha comparé des modèles fondés sur la fréquence cardiaque et sur la réserve de fréquence cardiaque chez 26 adultes en bonne santé âgés de 18 à 45 ans. Les participants ont réalisé trois protocoles sur tapis roulant, avec une mesure de la consommation d’oxygène par analyseur de gaz. Les modèles ont obtenu des coefficients de détermination compris entre 0,80 et 0,89, et ceux fondés sur la réserve cardiaque étaient plus performants à des intensités sous-maximales.
Là encore, cette étude ne montre pas qu’une Apple Watch ou une Garmin utilise la même formule. Elle fournit plutôt un critère de lecture : une estimation qui tient compte du profil individuel et du contexte de l’effort repose sur davantage d’informations qu’une simple fréquence cardiaque moyenne.
Quelle donnée regarder pendant l’entraînement
Pour suivre une progression, la cohérence d’un même appareil est souvent plus utile que la comparaison entre deux marques. Une dépense similaire sur plusieurs sorties comparables peut servir de repère personnel. En revanche, la valeur affichée ne permet pas à elle seule de comparer une séance de vélo, une course et une séance de renforcement de même durée.
La fréquence cardiaque reste utile pour suivre l’intensité, mais elle doit être lue avec l’allure, la durée et l’effort ressenti. Une étude publiée dans Frontiers in Sports and Active Living s’est aussi intéressée à l’écart possible entre la fréquence cardiaque mesurée et la difficulté ressentie chez des adultes présentant une adiposité centrale élevée. Le chiffre du poignet ne résume donc pas toujours la charge vécue pendant l’exercice.
Pour les intervalles courts et les séances où le signal cardiaque compte vraiment, une ceinture thoracique peut fournir une mesure plus réactive. Elle ne rend pas le calcul des calories parfaitement exact : le logiciel doit encore transformer la fréquence cardiaque en dépense énergétique.
Comment comparer deux montres sans fausser le test
- Choisissez la même activité. Comparez deux courses entre elles ou deux séances de vélo entre elles, avec une durée et une intensité proches.
- Harmonisez les profils. Le poids, l’âge, le sexe et les fréquences cardiaques de repos ou maximale doivent être renseignés de manière cohérente dans les deux applications.
- Vérifiez le type de calories. Comparez les calories actives avec les calories actives, et non une dépense totale avec une dépense liée à l’exercice.
- Ajustez le bracelet. Il doit rester au contact de la peau sans flotter ni comprimer fortement le poignet. Le mouvement et le serrage peuvent modifier la qualité du signal.
- Répétez le test. Une seule séance ne suffit pas pour départager deux appareils. Observez plusieurs activités et recherchez une tendance plutôt qu’un écart isolé.
Apple Watch et Garmin peuvent donc afficher des calories différentes sans que l’une des deux soit nécessairement défaillante. Pour interpréter l’écart, vérifiez d’abord le type de calories, la qualité du signal et les paramètres du profil. Ensuite, utilisez un même appareil comme repère et complétez la dépense estimée par la fréquence cardiaque, l’allure, la durée et l’effort ressenti.
Sources et références scientifiques
- Matt Evans. I was expecting the Apple Watch Series 12 and Garmin Fenix 9 Pro to display very similar stats during a workout, I was wrong. 2026.
- Enhancing Heart Rate-Based Estimation of Energy Expenditure and Exercise Intensity in Patients Post Stroke – PMC. Bioengineering (Basel, Switzerland). DOI: 10.3390/bioengineering11121250 · PMID: 39768068.
- njamin E.J., Muntner P., Alonso A., Bittencourt M.S., Callaway C.W., Carson A.P., Chamberlain A.M., Chang A.R., Cheng S., Das S.R., et al. Heart Disease and Stroke Statistics-2019 Update: A Report From the American Heart Association. Circulation. 2019;139:e56-e528. doi: 10.1161/CIR.0000000000000659. [DOI] [PubMed] [Google Scholar]. doi:10.1161/CIR.0000000000000659.
- 2.Fini N.A., Holland A.E., Keating J., Simek J., Bernhardt J. How physically active are people following stroke? Systematic review and quantitative synthesis. Phys. Ther. 2017;97:707-717. doi: 10.1093/ptj/pzx038. [DOI] [PubMed] [Google Scholar]. doi:10.1093/ptj/pzx038.
- 3.Billinger S.A., Arena R., Bernhardt J., Eng J.J., Franklin B.A., Johnson C.M., MacKay-Lyons M., Macko R.F., Mead G.E., Roth E.J., et al. Physical Activity and Exercise Recommendations for Stroke Survivors. Stroke. 2014;45:2532-2553. doi: 10.1161/STR.0000000000000022. [DOI] [PubMed] [Google Scholar]. doi:10.1161/STR.0000000000000022.
- 4.Saunders D.H., Greig C.A., Mead G.E. Physical activity and exercise after stroke: Review of multiple meaningful benefits. Stroke. 2014;45:3742-3747. doi: 10.1161/STROKEAHA.114.004311. [DOI] [PubMed] [Google Scholar]. doi:10.1161/STROKEAHA.114.004311.
- 5.Billinger S.A., Coughenour E., MacKay-Lyons M.J., Ivey F.M. Reduced Cardiorespiratory Fitness after Stroke: Biological Consequences and Exercise-Induced Adaptations. Stroke Res. Treat. 2012;2012:1-11. doi: 10.1155/2012/959120. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1155/2012/959120.
- 6.Li S. Spasticity, Motor Recovery, and Neural Plasticity after Stroke. Front. Neurol. 2017;8:120. doi: 10.3389/fneur.2017.00120. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fneur.2017.00120.
- 7.Norman S.L., Wolpaw J.R., Reinkensmeyer D.J. Targeting neuroplasticity to improve motor recovery after stroke: An artificial neural network model. Brain Commun. 2022;4:fcac264. doi: 10.1093/braincomms/fcac264. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1093/braincomms/fcac264.
- 8.Tanaka M., Battaglia S., Giménez-Llort L., Chen C., Hepsomali P., Avenanti A., Vécsei L. Innovation at the Intersection: Emerging Translational Research in Neurology and Psychiatry. Cells. 2024;13:790. doi: 10.3390/cells13100790. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/cells13100790.
- 9.Takeuchi N., Izumi S.-I. Rehabilitation with Poststroke Motor Recovery: A Review with a Focus on Neural Plasticity. Stroke Res. Treat. 2013;2013:128641. doi: 10.1155/2013/128641. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1155/2013/128641.
- 10.Langhorne P., Coupar F., Pollock A. Motor recovery after stroke: A systematic review. Lancet Neurol. 2009;8:741-754. doi: 10.1016/S1474-4422(09)70150-4. [DOI] [PubMed] [Google Scholar]. doi:10.1016/S1474-4422(09)70150-4.
- 11.Scheets P.L., Hornby T.G., Perry S.B., Sparto P., Riley N., Romney W., Fell D., Kugler K., Nordahl T. Moving forward. J. Neurol. Phys. Ther. 2021;45:46-49. doi: 10.1097/NPT.0000000000000337. [DOI] [PubMed] [Google Scholar]. doi:10.1097/NPT.0000000000000337.
- 12.Hornby T.G., Reisman D.S., Ward I.G., Scheets P.L., Miller A., Haddad D., Fox E.J., Fritz N.E., Hawkins K., Henderson C.E., et al. Clinical Practice Guideline to Improve Locomotor Function Following Chronic Stroke, Incomplete Spinal Cord Injury, and Brain Injury. J. Neurol. Phys. Ther. 2020;44:49-100. doi: 10.1097/NPT.0000000000000303. [DOI] [PubMed] [Google Scholar]. doi:10.1097/NPT.0000000000000303.
- A Personalized Energy Expenditure Estimation Method Using Modified MET and Heart Rate-Based DQN – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s25113416 · PMID: 40968915.
- 1.Iqbal S.M.A., Mahgoub I., Du E., Leavitt M.A., Asghar W. Advances in healthcare wearable devices. NPJ Flex. Electron. 2021;5:9. doi: 10.1038/s41528-021-00107-x. [DOI] [Google Scholar]. doi:10.1038/s41528-021-00107-x.
- 2.Nahavandi D., Alizadehsani R., Khosravi A., Acharya U.R. Application of artificial intelligence in wearable devices: Opportunities and challenges. Comput. Methods Programs Biomed. 2022;213:106541. doi: 10.1016/j.cmpb.2021.106541. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.cmpb.2021.106541.
- 3.Jat A.S., Tor-Morten G. Smart watch for smart health monitoring: A literature review; Proceedings of the International Work-Conference on Bioinformatics and Biomedical Engineering; Maspalomas, Spain. 27-30 June 2022; Cham, Switzerland: Springer International Publishing; 2022. [Google Scholar].
- 4.Uddin M.Z., Ahmet S. Human activity recognition using wearable sensors, discriminant analysis, and long short-term memory-based neural structured learning. Sci. Rep. 2021;11:16455. doi: 10.1038/s41598-021-95947-y. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41598-021-95947-y.
- 5.Erdmier C., Hatcher J., Lee M. Wearable device implications in the healthcare industry. J. Med. Eng. Technol. 2016;40:141-148. doi: 10.3109/03091902.2016.1153738. [DOI] [PubMed] [Google Scholar]. doi:10.3109/03091902.2016.1153738.
- 6.Headley J.M. Indirect calorimetry: A trend toward continuous metabolic as-sessment. AACN Adv. Crit. Care. 2003;14:155-167. doi: 10.1097/00044067-200305000-00005. [DOI] [PubMed] [Google Scholar]. doi:10.1097/00044067-200305000-00005.
- 7.Scott C., Djurisic Z. The Metabolic Oxidation of Glucose: Thermodynamic Considerations for Anaerobic and Aerobic Energy Expanditure. J. Exerc. Physiol. Online. 2008;11:34-43. [Google Scholar].
- 8.Mtaweh H., Tuira L., Floh A.A., Parshuram C.S. Indirect calorimetry: History, technology, and application. Front. Pediatr. 2018;6:257. doi: 10.3389/fped.2018.00257. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fped.2018.00257.
- Almeida Mendes M., da Silva I., Ramires V., Reichert F., Martins R., Ferreira R., Tomasi E. Metabolic equivalent of task (METs) thresholds as an indicator of physical activity intensity. PLoS ONE. 2018;13:e0200701. doi: 10.1371/journal.pone.0200701. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1371/journal.pone.0200701.
- 10.Alinia P., Saeedi R., Fallahzadeh R., Rokni A., Ghasemzadeh H. A reliable and reconfigurable signal processing framework for estimation of metabolic equivalent of task in wearable sensors. IEEE J. Sel. Top. Signal Process. 2016;10:842-853. doi: 10.1109/JSTSP.2016.2569472. [DOI] [Google Scholar]. doi:10.1109/JSTSP.2016.2569472.
- 11.Aguilar-Farias N., Brown W.J., Skinner T.L., Metabolic G.M.E.E.G.P. Metabolic equivalent values of common daily activities in middle-age and older adults in free-living environments: A pilot study. J. Phys. Act. Health. 2019;16:222-229. doi: 10.1123/jpah.2016-0400. [DOI] [PubMed] [Google Scholar]. doi:10.1123/jpah.2016-0400.
- 12.Bailey D.P., Ahmed I., Cooper D.L., Finlay K.A., Froome H.M., Nightingale T.E., Romer L.M., Goosey-Tolfrey V.L., Ferrandino L. Validity of a wrist-worn consumer-grade wearable for estimating energy expenditure, sedentary behaviour, and physical activity in manual wheelchair users with spinal cord injury. Disabil. Rehabil. Assist. Technol. 2024;20:708-714. doi: 10.1080/17483107.2024.2405895. [DOI] [PubMed] [Google Scholar]. doi:10.1080/17483107.2024.2405895.
- Comparing Heart Rate and Heart Rate Reserve for Accurate Energy Expenditure Prediction Against Direct Measurement – PMC. International journal of environmental research and public health. DOI: 10.3390/ijerph22101539 · PMID: 41154943.
- 1.American College of Sports Medicine. ACSM’s Guidelines for Exercise Testing and Prescription. 10th ed. Wolters Kluwer; Philadelphia, PA, USA: 2018. 472p [Google Scholar].
- 2.Andrade-Mayorga O., Martínez-Maturana N., Salazar L.A., Díaz E. Physiological Effects and Inter-Individual Variability to 12 Weeks of High Intensity-Interval Training and Dietary Energy Restriction in Overweight/Obese Adult Women. Front. Physiol. 2021;12:713016. doi: 10.3389/fphys.2021.713016. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fphys.2021.713016.
- 3.Bouchard C., Rankinen T. Individual differences in response to regular physical activity. Med. Sci. Sports Exerc. 2001;33:S446-S451; discussion S452-S453. doi: 10.1097/00005768-200106001-00013. [DOI] [PubMed] [Google Scholar]. doi:10.1097/00005768-200106001-00013.
- 4.Drenowatz C., Hand G.A., Sagner M., Shook R.P., Burgess S., Blair S.N. The Prospective Association between Different Types of Exercise and Body Composition. Med. Sci. Sports Exerc. 2015;47:2535-2541. doi: 10.1249/MSS.0000000000000701. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1249/MSS.0000000000000701.
- 5.Whipple M.O., Schorr E.N., Talley K.M.C., Lindquist R., Bronas U.G., Treat-Jacobson D. Variability in Individual Response to Aerobic Exercise Interventions Among Older Adults. J. Aging Phys. Act. 2018;26:655-670. doi: 10.1123/japa.2017-0054. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1123/japa.2017-0054.
- 6.Lam Y.Y., Ravussin E. Analysis of energy metabolism in humans: A review of methodologies. Mol. Metab. 2016;5:1057-1071. doi: 10.1016/j.molmet.2016.09.005. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.molmet.2016.09.005.
- serman P., Yum S., Göbel S., Reif A., Matura S. Assessing the Accuracy of Smartwatch-Based Estimation of Maximum Oxygen Uptake Using the Apple Watch Series 7: Validation Study. JMIR Biomed. Eng. 2024;9:e59459. doi: 10.2196/59459. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/59459.
- 8.Smirmaul B.P., Bertucci D.R., Teixeira I.P. Is the VO2max that we measure really maximal? Front. Physiol. 2013;4:203. doi: 10.3389/fphys.2013.00203. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fphys.2013.00203.
- 9.Achten J., Jeukendrup A.E. Heart rate monitoring: Applications and limitations. Sports Med. 2003;33:517-538. doi: 10.2165/00007256-200333070-00004. [DOI] [PubMed] [Google Scholar]. doi:10.2165/00007256-200333070-00004.
- 10.Wicks J.R., Oldridge N.B., Nielsen L.K., Vickers C.E. HR index, A simple method for the prediction of oxygen uptake. Med. Sci. Sports Exerc. 2011;43:2005-2012. doi: 10.1249/MSS.0b013e318217276e. [DOI] [PubMed] [Google Scholar]. doi:10.1249/MSS.0b013e318217276e.
- 11.Colosio A.L., Pedrinolla A., Da Lozzo G., Pogliaghi S. Heart Rate-Index Estimates Oxygen Uptake, Energy Expenditure and Aerobic Fitness in Rugby Players. J. Sports Sci. Med. 2018;17:633-639. [PMC free article] [PubMed] [Google Scholar].
- 12.St Pierre S.R., Peirlinck M., Kuhl E. Sex Matters: A Comprehensive Comparison of Female and Male Hearts. Front. Physiol. 2022;13:831179. doi: 10.3389/fphys.2022.831179. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fphys.2022.831179.
- Impact of central adiposity on the heart rate and calorie estimation accuracy of diverse smartwatches and the resulting subjective exercise experience – PMC. Frontiers in sports and active living. DOI: 10.3389/fspor.2026.1829700 · PMID: 42318291.
- 1.Keytel L, Goedecke J, Noakes T, Hiiloskorpi H, Laukkanen R, van der Merwe L, et al. Prediction of energy expenditure from heart rate monitoring during submaximal exercise. J Sports Sci. (2005) 23:289-97. 10.1080/02640410470001730089 [DOI] [PubMed] [Google Scholar]. doi:10.1080/02640410470001730089.
- 2.Ekkekakis P, Parfitt G, Petruzzello SJ. The pleasure and displeasure people feel when they exercise at different intensities: decennial update and progress towards a tripartite rationale for exercise intensity prescription. Sports Med. (2011) 41:641-71. 10.2165/11590680-000000000-00000 [DOI] [PubMed] [Google Scholar]. doi:10.2165/11590680-000000000-00000.
- 3.Rupp MA, Michaelis JR, McConnell DS, Smither JA. The role of individual differences on perceptions of wearable fitness device trust, usability, and motivational impact. Appl Ergon. (2018) 70:77-87. 10.1016/j.apergo.2018.02.005 [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.apergo.2018.02.005.
- 4.Ashwell M, Gibson S. Waist-to-height ratio as an indicator of “early health risk”: simpler and more predictive than using a “matrix” based on BMI and waist circumference. BMJ Open. (2016) 6:e010159. 10.1136/bmjopen-2015-010159 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1136/bmjopen-2015-010159.
- 5.Martinez-Amezcua P, Simonsick EM, Wanigatunga AA, Urbanek JK, Chiles Shaffer N, Ferrucci L, et al. Association between adiposity and perceived physical fatigability in mid-to late life. Obesity. (2019) 27:1177-83. 10.1002/oby.22500 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1002/oby.22500.
- 6.Yu H, Sun C, Sun B, Chen X, Tan Z. Systematic review and meta-analysis of the relationship between actual exercise intensity and rating of perceived exertion in the overweight and obese population. Int J Environ Res Public Health. (2021) 18:12912. 10.3390/ijerph182412912 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/ijerph182412912.
- 7.Fuller D, Colwell E, Low J, Orychock K, Tobin MA, Simango B, et al. Reliability and validity of commercially available wearable devices for measuring steps, energy expenditure, and heart rate: systematic review. JMIR Mhealth Uhealth. (2020) 8:e18694. 10.2196/18694 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/18694.
- nt B, Goldstein BA, Kibbe WA, Dunn JP. Investigating sources of inaccuracy in wearable optical heart rate sensors. npj Digit Med. (2020) 3:18. 10.1038/s41746-020-0226-6 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41746-020-0226-6.
- 9.Van Oost CN, Masci F, Malisse A, Schyvens A-M, Peters B, Dirix H, et al. Accuracy of heart rate measurement under transient states: a validation study of wearables for real-life monitoring. Sensors. (2025) 25:6319. 10.3390/s25206319 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s25206319.
- 10.Mendt S, Zout G, Rabuffetti M, Gunga H-C, Bunker A, Barteit S, et al. Laboratory comparison of consumer-grade and research-established wearables for monitoring heart rate, body temperature, and physical acitivity in sub-saharan Africa. Front Physiol. (2025) 16:1491401. 10.3389/fphys.2025.1491401 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fphys.2025.1491401.
- 11.Gilgen-Ammann R, Schweizer T, Wyss T. Rr interval signal quality of a heart rate monitor and an ecg holter at rest and during exercise. Eur J Appl Physiol. (2019) 119:1525-32. 10.1007/s00421-019-04142-5 [DOI] [PubMed] [Google Scholar]. doi:10.1007/s00421-019-04142-5.
- 12.Brewer L, Fortuna K, Jones C, Walker R, Hayes S, Patten C, et al. Back to the future: achieving health equity through health informatics and digital health. JMIR Mhealth Uhealth. (2020) 8:e14512. 10.2196/14512 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/14512.
- Fazlur Rahman. Apple Watch Series 12 vs Garmin (2026). 2026.
- Apple Watch Series 12 – Apple.
- Clem le Runner. Garmin Fenix 9 : laquelle choisir pour courir et progresser?. 2026.




