O. Colot : apprentissage et détecttion automatique de changements de modèles. Application aux signaux electroencéphalographiques.

Ce document traite du problème de la détection de changements de modèles dans des signaux vectoriels lentement variables. L'étude s'articule autour de deux thèmes, la modélisation vectorielle, puis la détection des changements de modèles.
Le premier thème est traité sous l'angle d'une technique récursive de modélisation linéaire, tirant profit des propriétés de stationnarité locale des signaux étudiés dans un contexte vectoriel. La seconde partie propose deux approches: la première s'appuie sur un critère d'énergie d'erreurs issues de la modélisation, la seconde est fondée sur la comparaison d'histogrammes approchant les lois de probabilité, construits à l'aide d'un critère de type Akaïke. La détection du changement de modèles s'effectue à l'aide de mesures de dissemblance.
La validation de ces méthodes est réalisée sur des signaux biomédicaux électroencéphalographiques.

mots-clés : modèle AR, MCR, identifigation, signal EEG, critère d' Akaike, histogrammes, mesure de dissemblance, changements de modèles.