La maladie de Parkinson, deuxième maladie neurodégénérative la plus répandue après la maladie d'Alzheimer, exige un diagnostic précoce efficace. Les méthodes cliniques et invasives traditionnelles présentent des limites. Cette étude explore une approche non invasive basée sur l'EEG pour détecter les dysfonctionnements cognitifs chez les patients atteints de la maladie de Parkinson pendant une tâche cognitive spécifique. Pour ce faire, les données EEG haute résolution de 30 patients atteints de la maladie de Parkinson et de 30 sujets sains ont été recueillies. Les activités associées de profondeur ont été reconstruites et trois nouvelles méthodes d'estimation de modèle vectoriel autorégressif - JOCE, SOCAR et eBIC-LASSO - ont alors été développées afin de les modéliser. Ces méthodes reposent sur la résolution d'un problème inverse sous contrainte de parcimonie de groupe à l'aide d'une approche d'optimisation proximale. L'analyse comportementale a montré une altération du contrôle cognitif de l'action chez les patients parkinsoniens, avec des temps de réaction plus lents et une précision réduite. L'analyse de la connectivité effective a révélé une altération des réseaux cérébraux de la bande bêta, notamment une perte de contrôle du lobe frontal et un contrôle accru du lobe temporal. Ces résultats suggèrent que la connectivité effective est un outil prometteur pour le diagnostic précoce de la maladie de Parkinson.

Cette thèse vise à explorer l'interaction entre le microbiote intestinal et le métabolisme énergétique de l'hôte, tout en développant des méthodes d'analyse adaptées aux données métagénomiques. Notre étude menée sur une cohorte de jeunes hommes révèle que les athlètes d'endurance présentent un microbiote intestinal distinct, caractérisé par une augmentation de certaines espèces bactériennes et de métabolites spécifiques. Par ailleurs, une transplantation de microbiote fécal (FMT) de ces athlètes chez des souris améliore leur sensibilité à l’insuline et leurs réserves musculaires de glycogène, soulignant le rôle fonctionnel du microbiote dans la régulation du métabolisme énergétique. Ensuite, une nouvelle approche statistique est proposée afin d’explorer les signaux de faible amplitude (bactéries faiblement exprimées), souvent occultés par les espèces dominantes. Cette transformation permet d'améliorer la détection d’associations entre le microbiote et la physiologie de l'hôte, et optimise les performances des modèles prédictifs en apprentissage automatique. Notre approche améliore aussi l'interprétabilité des différentes méthodes d'analyses.

La radiothérapie externe vise à délivrer de fortes doses de rayonnements ionisants en ciblant précisément les cellules tumorales, tout en épargnant les tissus sains. Cependant, les changements anatomiques qui se produisent au cours des semaines de traitement posent des défis importants à la précision de l'administration de la dose, soulignant la nécessité d'une radiothérapie adaptative (RTA). L'accumulation de dose basée sur le CBCT est apparue comme une méthode prometteuse pour le suivi et l'adaptation des traitements, mais elle se heurte à des incertitudes inhérentes à la qualité de l’image, au recalage multimodal et à la précision de la segmentation. Cette thèse présente une approche complète de l'évaluation de l'accumulation de dose en RTA utilisant le CBCT, en abordant explicitement les incertitudes liées à la génération de CT synthétique (sCT), à la segmentation et au recalage multimodale. En s’appuyant sur des méthodologies avancées d’apprentissage profond, nous proposons et évaluons des stratégies permettant une génération précise de sCT, des prédictions de segmentation sur les sCT, ainsi qu’un recalage multimodal fiable. L’évaluation et l’estimation des incertitudes à chaque étape du processus sont étudiées, dans le but d’améliorer la fiabilité des estimations de dose cumulée. La validation de ces méthodes a été réalisée en partie dans le cadre de défis internationaux, ce qui a permis d’obtenir des classements compétitifs et de démontrer leur viabilité clinique.

Actuellement, seules l’échographie et l’EMG à l’aiguille permettent l’acquisition de l’état de contraction de muscles profonds. Cependant, l’échographie est difficile à utiliser en cas de mouvement, et l’EMG, invasive, requiert un geste médical, ce qui les rend peu adaptées à une utilisation en cabinet de kinésithérapie. Aussi, dans cette thèse, avons nous investigué le développement d’une méthode visant à identifier les contractions spécifiques de chaque muscle d’une zone anatomique donnée à partir de signaux de surface (sEMG). Dans ce travail, la zone abdominale et la zone abdomino-pelvienne ont été considérées. Pour la première, les performances de classification se sont révélées très satisfaisantes (supérieures à 71%) pour trois des quatre muscles de cette zone, à savoir les muscles grand droit, oblique externe et transverse abdominal. Pour la seconde, les performances de classification sont tout aussi comparables (supérieures à 75,5%) pour les muscles du plancher pelvien et le muscle transverse abdominal. De même, les corrélations entre les signaux reconstruits et ceux de référence pour le transverse abdominal et les muscles du plancher pelvien s’avèrent extrêmement correctes. La méthode proposée dans cette thèse, particulièrement prometteuse, s’est vue intégrée dans un dispositif médical en cours de commercialisation. Elle offre, du reste, la possibilité d’être appliquée à d’autres zones anatomiques, comme les muscles de la hanche ou du dos.

Cette thèse traite du développement de systèmes de communication sub-THz, avec un focus sur des antennes en bande W et des sous-systèmes photoniques pour des applications en champ lointain et proche pour les futurs réseaux 6G. Deux antennes à réseaux phasés ont été conçues avec des circuits imprimés multicouches pour la formation de faisceaux dans le champ lointain. La première, fabriquée et testée, est un réseau phasé large bande (85–115 GHz) atteignant une directivité de 26 dBi et un gain de 21,5 dBi à 100 GHz, avec un balayage sur ±8°. Elle utilise une configuration à patchs empilés et des transitions optimisées avec des photodiodes UTC. La seconde, une antenne à métasurface linéairement modulée, offre un gain simulé de plus de 25 dBi avec seulement 1,2 dB de pertes. Compactes et directives, elles conviennent aux applications millimétriques pour l'auto-alignement. Pour des liens en champ proche, des faisceaux non diffractifs de Bessel ont été introduits. Côté photonique, un laser bifréquence a été développé pour générer des signaux sub-THz accordables et à faible bruit de phase pour des liaisons à haut débit. Un réseau de formation de faisceaux optiques à cristaux liquides a été conçu et validé, assurant un contrôle précis de la phase sub-THz pour le balayage. Enfin, ces travaux démontrent des liaisons sub-THz fiables utilisant des antennes à faisceaux de Bessel et à haut gain, capables de débits élevés sur courtes et longues distances, tout en relevant des défis comme le bruit de phase, l'efficacité et la scalabilité.

Dans le domaine infrasonore, de nombreuses applications ont été freinées jusqu’ici par le manque d'équipements légers et bas coûts. Cette étude vise à fournir une architecture modulaire de chaîne instrumentale infrasonore dédiée à des campagnes d'étiquetage de sources. Des fonctionnalités radio et de récupération d'énergie sont proposées afin d'assurer la collecte automatique de données au sein d'un réseau tout en étendant la durée d'opération des nœuds au-delà de la capacité des batteries. Le dimensionnement de la solution radio est traité en premier lieu usant de mécanismes de réduction de données pour relâcher les contraintes sur le débit en transmission. Le dimensionnement de l'architecture de récupération d'énergie est ensuite résolu par simulation pour différentes localités géographiques d'après une modélisation de bout en bout.

Les récentes avancées de l'apprentissage profond ont mené à des résultats sans précédent dans une grande variété de tâches et de modalités. Un nombre grandissant de systèmes parvenant à des performances proches de l'humain en analyse (transcription, reconnaissance du locuteur) et en génération de la parole (conversion, synthèse vocale) sont proposés. De telles solutions émergent dans l'industrie, et commencent à atteindre le grand public. Cependant, la complexité et la taille grandissantes des réseaux de neurones induisent un manque important d'interprétabilité. De plus, les représentations profondes ne sont pas encouragées pour être structurées. C'est pourquoi l'apprentissage de représentations dites démêlées a fait son apparition, et a pour priorité la structuration des représentations apprises, en rapport avec les facteurs génératifs des données, et si possible alignées avec la perception humaine. Un tel paradigme a le potentiel pour reconnaître les attributs de la parole (identité du locuteur, émotion), pouvant alors être exploité dans la synthèse vocale. À noter que le démêlage est encore un domaine de recherche récent, nécessitant des données simples et synthétiques pour être développé. Ainsi, cette thèse vise à combler le fossé entre le traitement de la parole et le démêlage, en exploitant des modèles de démêlage à l'état de l'art pour identifier les attributs de la parole de manière automatique, et à terme améliorer le contrôle de la synthèse vocale.

Cette thèse de doctorat se concentre sur l’explication des anomalies, problématique qui a été beaucoup moins explorée dans la littérature que l’explication des sorties des réseaux de neurones et des classifieurs. Sa première contribution est une taxonomie des méthodes d’explication des anomalies basée sur la nature de l’information qu’elle véhicule. La deuxième contribution est une méthode spécifique d’explication des anomalies, appelée CADI et reposant sur une version revisitée de l’algorithme des forêts d’isolation. Alors qu’une forêt d’isolation classique n’identifie que les anomalies, CADI reconstruit également une partition des instances régulières, puis positionne et explique chaque anomalie par rapport à ces groupes de régularités, tout ceci sans s’appuyer sur des algorithmes externes et sans trop rajouter de complexité à la méthode originale. Elle s’attaque par conséquent à trois problèmes avec une méthode unifiée : la détection des anomalies, le partitionnement et l’explication des anomalies. Des expériences menées sur des jeux de données réels et synthétiques démontrent l’efficacité et la robustesse de l’approche par rapport aux approches dédiées à l’une de ces trois tâches.