Contexte & Motivation:Les installations électriques des bâtiments se détériorent au fil du temps et leur gravité et leur taux de détérioration dépendent de facteurs environnementaux (chaleur, humidité, réactions chimiques corrosives et vieillies isolations) ou d'actions externes indésirables telles que la manipulation humaine erronée, qui conduit à des charges ou des câbles/réseaux endommagés.L'European Fire Academy (EFA) et de nombreuses compagnies d'assurance indiquent que 25% des incendies de bâtiments sont d'origine électrique. Ces incendies peuvent être déclenchés par des circuits surchargés, des court-circuits, des courants de fuite à la terre, des surtensions et / ou des défauts d'arc électrique dans les connexions et les câbles.Les protections électriques classiques telles que les disjoncteurs et les disjoncteurs différentiels offrent une protection insuffisante. Par exemple, en cas de défauts d'arcs en série, la valeur du courant de défaut d'arc reste inférieure à la valeur du courant nominal, car elle est limitée par la résistance du carbone généré par le défaut d'arc. Dans ce cas, toute protection existante peut détecter ce type de faute.Détection de défaut d'arc : approche de traitement du signalDans le cadre de ce travail, l'objectif a été de détecter chaque instant d'arc, ce qui, pour un réseau alternatif, permettrait d'identifier correctement chaque arc dans chaque demi-cycle de réseau où il se produit.En fonction de la caractéristique numérique utilisée à des fins de détection, nous avons introduit différentes classes de méthodes:• Caractéristiques énergétiques (bandes étroite et large bande)• Caractéristiques statistiques (moments statistiques, analyse de la corrélation etc.)• Caractéristiques basées sur un model (ex. modelés AR, ARMA etc.)• Caractéristiques data-driven (utiliser Phase Space Embedding pour les séries temporelles)Chaque approche a été testée et évaluée sur une base de données de signaux construite avec soin, capable de fournir la variabilité du monde réel, dans un cadre d'évaluation statistique qui permet de trouver des seuils appropriés et leurs plages associées. Il donne également des performances relatives, d'une fonctionnalité à l'autre, en fonction de la façon dont les plages de seuils couvrent tout l'espace des caractéristiques.Une approche prometteuse est montrée avec un résultat intermédiaire sur la figure 8. La configuration est plutôt courante, avec une charge résistive (R-Load) en fonctionnement normal, avec un gradateur allumé et ajouté dans la configuration et un arc persistant apparaissant dans le circuit.Il suffit d'analyser simplement la forme d'onde du courant 50 Hz, car même lors d'une simple inspection visuelle, il est difficile d'identifier l'origine du défaut d'arc et s'il est stable ou s'il s'éteint après (ou où). En mesurant correctement le bruit de défaut d'arc haute fréquence et en sélectionnant correctement la bande passante, nous parvenons à obtenir un signal beaucoup plus facile à traiter. L'arc est difficile à détecter en raison de la variation de l'intensité énergétique d'un réseau à l'autre (encore plus: pour un même réseau, ajouter / enlever des charges ou des rallonges modifie la distribution d'amplitude et de fréquence de l'arc). Par conséquent, nous exploitons le caractère aléatoire intrinsèque de l'arc, ce qui permet une variabilité suffisante d'une réalisation d'arc à une autre.En conclusion, nous proposons une nouvelle méthodologie de traitement du signal pour la détection des défauts d'arc, à mettre en œuvre dans un algorithme de produit AFDD. En outre, une autre approche est présentée, basée sur l'analyse de diagramme de phase, qui permet la séparation entre les arcs et les signaux de communication, ce qui est également un grand défi dans ce domaine. / Context & Motivation:Electrical installations in buildings deteriorate, over time and the severity and rate of deterioration depend on environmental factors (such as heat, humidity, corrosive chemical reactions and aging insulations) and unwanted external actions (such as human mishandling, that leads to damaged devices or cables/network).Caution is mandatory when handling electrical installations, seeing that potential hazards include electric shocks, burns, explosions and fire, if proper safety precautions are ignored or neglected. The European Fire Academy (EFA) and many property and casualty insurance companies report that 25% of building fires are electrical in origin. These fires can be triggered by overloaded circuits, short-circuits, earth leakage currents, overvoltage and/or electrical arc faults in connections and cables.Classical electrical protection such as circuit breakers and RCDs offer insufficient protection. For example, in case of series arc faults, the arc fault current value remains below the rated current value, since it is limited by the resistance of the carbon generated by the arc fault and by the load itself. In this case, no existing protection can detect such kind of fault.Arc Fault Detection: Signal Processing ApproachIn the context of this work, the objective has been to detect each instant of arcing, which for an AC network, would mean correctly identifying each arcing in each network half-cycle where it occurs.Depending on the numerical feature used for detection purposes, we introduced different classes of methods:• Energy-related features (narrow and wideband)• Statistical features (statistical moments, correlation analysis etc.)• Model-based features (using numerical models, such as AR, for example)• Data-driven features (using Phase Space Embedding for time series)Each approach has been tested & evaluated on a carefully constructed signal database, capable of supplying real-world variability, within a statistical evaluation framework which enables finding suitable thresholds and their appropriate ranges. It also gives relative performances, from one feature to another, based on how threshold ranges cover the entire feature space.A promising approach is shown with an intermediary result in Figure 9. The configuration is rather common, with a resistive load (R – Load) in normal operation, with a dimmer being turned on and added in the configuration and a persistent arc appearing in the circuit.Figure 9 Resistive load, dimmer and persistent arcing – processing result (example).Simply analyzing the 50Hz line current waveform is insufficient, as even at a simple visual inspection there is difficulty in identifying where the arc fault ignites and if it is a stable one, or if it extinguishes afterwards (or where). By correctly measuring the high frequency arc fault noise and with correct selection of the bandwidth, we manage to obtain a signal much easier to process further on. Arcing is inherently difficult to detect, due to high frequency energy intensity variation from one network to another (even more: for the same network, adding/removing loads or extension cords will change the amplitude and frequency distribution of the arc fault energy). Therefore, we exploit the intrinsic randomness of arcing, which enables sufficient variability from one arcing realization to another.To conclude, we propose a new signal processing methodology for arc fault detection, to be implemented in an AFDD product algorithm. Also, another approach is presented, based on phase diagram analysis, that allows the separation between the arcs and communication signals, which is also a great challenge in this field.

De nos jours, les opérations chirurgicales sont impossibles à imaginer sans anesthésie générale, qui implique la perte de conscience, l'immobilité, l'amnésie et l'analgésie. La compréhension des mécanismes sous-jacents de chacun de ces effets garantit un traitement médical bien contrôlé. Cette thèse se concentre sur l'effet analgésique de l'anesthésie générale, précisément, sur la réaction du patient aux stimuli nociceptifs. Nous étudions également les différences des réactions entre différents médicaments anesthésiques. L'étude a été effectuée sur un ensemble de données constituées de 230 signaux EEG : enregistrements pré- et post-incision obtenus sur 115 patients qui ont reçu du desflurane et du propofol. La première phase de l'étude comprend l'analyse spectrale de puissance, qui est une méthode très répandue dans le traitement du signal. L'information spectrale a été décrite en ajustant l'activité de fond, qui exhibe un comportement $1/f$, aux estimations de la densité spectrale de puissance des signaux d'EEG et en mesurant la puissance contenue dans des bandes delta et alpha par rapport à la puissance de l'activité de fond. Une autre amélioration a été réalisée par l'expansion des spectres avec des informations de temps en raison de la nature non stationnaire observée dans les signaux EEG. Pour obtenir les représentations temps-fréquence des signaux nous appliquons trois méthodes différentes: scalogramme (basé sur la transformée en ondelettes continue), spectrogramme classique, et réaffectation de spectrogramme. Celle-ci permet d'améliorer la lisibilité d'une représentation temps-fréquence en réaffectant l'énergie contenue dans le spectrogramme à des positions plus précises. Par la suite, les spectrogrammes obtenus ont été utilisés pour la reconstruction de l'espace de phase, pour l'analyse récurrence et pour sa quantification par une mesure de complexité. L'analyse de récurrence permet de décrire et visualiser les dynamiques récurrentes d'un système et de découvrir des motifs structurels contenus dans les données. Ici, les diagrammes de récurrence ont été utilisés comme réécriture de grammaire pour transformer le signal original en une séquence symbolique, où chaque symbole représente un certain état du système. Trois mesures de complexité différentes sont alors calculées à partir de ces séquences symboliques afin de les utiliser comme éléments de classification. Enfin, en combinant les caractéristiques obtenues avec l'analyse spectrale de puissance et avec l'analyse symbolique de récurrence, nous effectuons la classification des données en utilisant deux méthodes de classification~: l'analyse discriminante linéaire et les machines à vecteurs de support. La classification a été effectuée sur des problèmes à deux classes, la distinction entre les signaux EEG pré- / post-incision, ainsi qu'entre les deux différents médicaments anesthésiques, desflurane et propofol. / Nowadays, surgical operations are impossible to imagine without general anesthesia, which involves loss of consciousness, immobility, amnesia and analgesia. Understanding mechanisms underlying each of these effects guarantees well-controlled medical treatment. This thesis focuses on analgesia effect of general anesthesia, more specifically, on patients reaction to nociceptive stimuli. We also study differences in the reaction between different anesthetic drugs. The study was conducted on dataset consisting of 230 EEG signals: pre- and post-incision recordings obtained form 115 patients, who received desflurane and propofol. The first stage of the study comprise power spectral analysis, which is a widespread approach in signal processing. Spectral information was described by fitting the background activity, that exposes $1/f$ behavior, to power spectral density estimates of the EEG signals and measuring power contained in delta and alpha bands relatively to the power of background activity. A further improvement was done by expanding spectra with time information due to observed non-stationary nature of EEG signals. To obtain time-frequency representations of the signals we apply three different methods: scalogram (based on continuous wavelet transform), conventional spectrogram, and spectrogram reassignment. The latter allows to ameliorate readability of a time-frequency representation by reassigning energy contained in spectrogram to more precise positions. Subsequently, obtained spectrograms were used as phase space reconstruction in recurrence analysis and its quantification by complexity measure. Recurrence analysis allows to describe and visualize recurrent dynamics of a system and discover structural patterns contained in the data. Here, recurrence plots were used as rewriting grammar to turn an original signal into a symbolic sequence, where each symbol represents a certain state of the system. After computing three different complexity measures of resulting symbolic sequences they are used as features for classification. Finally, combining features obtained with power spectral analysis and recurrence symbolic analysis, we perform classification of the data using two classification methods: linear discriminant analysis and support vector machines. Classification was carried out on two-class problem, distinguishing between pre-/post-incision EEG signals, as well as between two different anesthetic drugs, desflurane and propofol.

Le milieu marin est insonifié par une grand variété de sources acoustiques, qui peuventêtre monitorées par des enregistreurs acoustiques passifs autonomes. Parmi les sons enregistrés, ontrouve un grand nombre de signaux transitoires (signaux éphémères de durée courte), auxquelsappartiennent notamment les signaux impulsionnels que nous étudions dans cette thèse. Les signauximpulsionnels ont des propriétés spécifiques, telles que leur durée très courte (<1ms), leur faiblenombre d’oscillations, leur forte directivité, qui les rendent difficiles à étudier avec les outils detraitement du signal traditionnels (transformée de Fourier, autocorrélation, etc.).Dans un premier temps, nous nous intéressons à la détection des sources qui émettent des sériesd’impulsions rythmées (dauphins, cachalots, bélugas). Cette détection, s’appuie uniquement surles temps d’arrivée des impulsions reçues, pour effectuer une analyse du rythme au moyen d’uneautocorrélation complexe, et construire une représentation temps-rythme, permettant : i) de détecterles rythmes, ii) de connaître les temps de début et fin des émissions rythmées, iii) de connaître lavaleur du rythme et son évolution.Dans un second temps, nous étudions le potentiel d’une technique appelée analyse par récurrence desphases, pour caractériser les formes d’onde des impulsions. Après avoir présenté le cadre général decette méthode d’analyse, nous l’utilisons dans trois chaînes de traitement répondant à chacune destâches suivantes : i) détection des transitoires, ii) caractérisation et reconnaissance des transitoires,iii) estimation des différences des temps d’arrivée des transitoires sur deux capteurs.Toutes les méthodes développées dans cette étude ont été testées et validées sur des données simuléeset sur des données réelles acquises en mer / The underwater environment is insonified by a wide variety of acoustic sourcesthat can be monitored by autonomous passive acoustic recorders. A large number of the recordedsounds are transient signals (short-finite duration signals), among which the pulse signals that westudy in this thesis. Pulse signals have specific properties, such as a very short duration (<1ms), fewoscillations, a high directivity, which make them difficult to study by classical signal processing tools(Fourier transform, autocorrelation).In the first part of this study, we develop a method to detect sound sources emitting rhythmic pulsetrains (dolphins, sperm whales, beluga whales). This detector uses only the time of arrival of pulses atthe hydrophone to perform a rhythm analysis based on a complex autocorrelation and a time-rhythmrepresentation. This allows : i) to detect rhythmic pulse trains, ii) to know the beginning and endingtimes of pulse trains, iii) to know the value of the rhythm.In the second part of this thesis, we study the potential of a method called Recurrence Plot Analysis tocharacterize waveforms of pulse signals. After a general presentation of this method we develop threesignal processing architectures based on it, to perform the following tasks : i) transient detection, ii)transient characterization and pattern recognition, iii) estimation of time difference of arrival of thetransient on two hydrophones.All the methods developped in this thesis are validated on simulated and real data recorded at sea.