L’épilepsie est une maladie cérébrale chronique qui nécessite parfois une opération chirurgicale. Un pré-examen indispensable est alors réalisé à partir d’électrodes de profondeur et peut permettre une analyse du réseau épileptique notamment grâce à l’inférence de la connectivité cérébrale. Celle-ci peut évoluer au cours du temps, mais aussi spatialement, fréquentiellement et selon les enregistrements. Dans un tel contexte, une analyse multi-dimensionnelle prend tout son sens et peut être appréhendée au travers de décompositions tensorielles. Dans ce travail, une première approche est proposée pour identifier un graph de connectivité et déterminer les scores d’émission et de réception pour chacun des noeuds qui composent ce graphe à l’aide d’une décomposition canonique polyadique d’une modélisation vectorielle auto-régressive sous des contraintes spécifiques. Une seconde approche consiste en une analyse multi-dimensionnelle des mesures de connectivité effective basée sur la cohérence dirigée partielle afin d’extraire les patterns de connectivité les plus dominants avec leurs profils respectifs de temps, de fréquence et éventuellement leurs contributions aux différentes crises pour un même patient. Cette analyse est effectuée suivant deux décompositions tensorielles de rang faible, la décomposition canonique polyadique et la décomposition de Tucker. Les résultats obtenus sont en accord avec les simulations de signaux cérébraux proposés pour 3, 5 ou 10 voies représentatives d’activités neurophysiologiques et avec l’expertise clinique de crises épileptiques enregistrées chez un patient.