Ce travail de recherche est consacré à l'élaboration et le développement d'une nouvelle méthode d'estimation<br />et de reconstruction de signaux fortement non-stationnaires, modulés non-linéairement à la fois<br />en amplitude et en fréquence. L'estimation de tels signaux dans un contexte trés bruité est un problème<br />délicat et les méthodes existantes de la littérature présentent plusieurs inconvénients dans ce cas.<br />Nous avons montré comment une approche locale permet une meilleure adaptabilité du modèle à la<br />nature des variations locales des amplitudes et des fréquences instantanées. Les résultats de l'estimation<br />sont par conséquent améliorés. L'originalité de la méthode proposée tient à l'application de modèles paramétriques bien adaptés sur des segments temporels de courtes durées extraits du signal étudié. Nous<br />avons proposé une stratégie de segmentation puis une stratégie de fusion des segments estimés permettant<br />la reconstruction du signal dans la totalité de sa durée. L'approche proposée permet de s'affranchir d'un<br />modèle global du signal requérant un ordre d'approximation élevé.<br />La validation de l'efficacité de l'estimation a été effectuée au préalable sur un segment temporel court.<br />Le modèle considéré localement consiste en une approximation polynomiale de la fréquence et de l'amplitude<br />exprimée dans une base polynomiale discrète et orthonormale que nous avons calculée. Cette base<br />permet de réduire le couplage entre les paramètres du modèle. Nous proposons et comparons deux techniques<br />différentes pour estimer ces derniers. La première est fondée sur la maximisation de la fonction<br />de vraisemblance en utilisant la technique d'optimisation stochastique le recuit simulé. Tandis que la<br />deuxième se base sur une approche Bayésienne employant les méthodes MCMC simulées par l'algorithme<br />de Metroplois-Hastings.<br />Nous montrons, sur des simulations et également sur des signaux réels, que l'approche proposée fournit<br />de bons résultats d'estimation par comparaison à celles de la HAF.

La connectivité fonctionnelle cérébrale peut être caractérisée par l'évolution temporelle de la corrélation entre les signaux enregistrés dans des régions spatialement distribuées. Ici, nous proposons une comparaison exhaustive et quantitative pour juger des performances de différentes classes de méthodes pour l'estimation de cette connectivité. Basés sur plusieurs modèles de simulation, les résultats montrent que les performances sont fortement dépendantes des caractéristiques des signaux, aucune méthode ne surpassant les autres dans toutes les situations. La nature non stationnaire et oscillatoire des activités des populations neuronales, nous a amené à proposer un estimateur Temps-Fréquence de relation. La comparaison objective de ce nouvel estimateur avec un estimateur plus classique, basé sur la fonction de cohérence, montre qu'il peut conduire à de meilleures performances. Sur des données réelles, les résultats indiquent que cet estimateur peut augmenter la lisibilité de la représentation TF de la relation et peut ainsi améliorer l'interprétation des relations entre signaux EEG.