Dans cette thèse, un système personnalisé de stadification automatique du sommeil est proposé, combinant fusion symbolique et système de contrôle rétroactif. La fusion symbolique est inspirée par le processus décisionnel mis en œuvre par les cliniciens experts du sommeil lors la reconnaissance visuelle des stades de sommeil. Il commence par l'extraction de paramètres numériques à partir des signaux polysomnographiques bruts. L'interprétation symbolique de haut niveau se fait par l'intermédiaire de l'extraction de caractéristiques à partir des paramètres numériques. Enfin, la décision est générée en utilisant des règles inspirées par les recommandations internationales en médecine du sommeil. Les symboles et les valeurs des caractéristiques dépendent d'un ensemble de seuils, dont la détermination est une question clé. Dans cette thèse, deux algorithmes de recherche différents, Differential Evolution et Cross Entropy ont été étudiés pour calculer la valeur de ces seuils automatiquement. La variabilité individuelle a souvent été ignorée dans les systèmes automatiques de stadification du sommeil existants. Cependant, elle a été démontrée dans plusieurs travaux de recherche vis à vis de nombreux aspects du sommeil (comme les enregistrements polysomnographiques, les habitudes de sommeil, l'architecture du sommeil, la durée du sommeil, les événements liés au sommeil, etc.). Afin d'améliorer l'efficacité des classificateurs des stades de sommeil, un système automatisé de sommeil automatique adapté aux différentes personnes et tenant compte de la variabilité individuelle a été exploré et évalué. / In this thesis, a personalized automatic sleep staging system is proposed by combining symbolic fusion and feedback system control technique. Symbolic fusion is inspired by the decision-making process of clinical sleep staging. It starts from the extraction of digital parameters from raw polysomnography signals and it goes up to a high-level symbolic interpretation through a features extraction process. At last, the decision is generated using rules inspired by international guidelines in sleep medicine. Meanwhile, the symbols and the features computations depend on a set of thresholds, whose determination is a key issue. In this thesis, two different search algorithms, Differential Evolution and Cross Entropy, were studied to compute these thresholds automatically.Individual variability was often ignored in existing automatic sleep staging systems. However, an individual variability was observed in many aspects of sleep research (such as polysomnography recordings, sleep patterns, sleep architecture, sleep duration, sleep events, etc.). In order to improve the effectiveness of the sleep stages classifiers, a personalized automatic sleep staging system that can be adapted the different persons and take individual variability into consideration was explored and evaluated.The perspectives of this work are based on evaluating the complexity and the performances of these algorithms in terms of latencies and hardware resource requirements, in order to target a personalized automated embedded sleep staging system.

Cette thèse porte sur un problème de calibration d'un modèle électromécanique de cœur, personnalisé à partir de données d'imagerie médicale 3D+t ; et sur celui - en amont - de suivi du mouvement cardiaque. A cette fin, nous adoptons une méthodologie fondée sur l'apprentissage statistique. Pour la calibration du modèle mécanique, nous introduisons une méthode efficace mêlant apprentissage automatique et une description statistique originale du mouvement cardiaque utilisant la représentation des courants 3D+t. Notre approche repose sur la construction d'un modèle statistique réduit reliant l'espace des paramètres mécaniques à celui du mouvement cardiaque. L'extraction du mouvement à partir d'images médicales avec quantification d'incertitude apparaît essentielle pour cette calibration, et constitue l'objet de la seconde partie de cette thèse. Plus généralement, nous développons un modèle bayésien parcimonieux pour le problème de recalage d'images médicales. Notre contribution est triple et porte sur un modèle étendu de similarité entre images, sur l'ajustement automatique des paramètres du recalage et sur la quantification de l'incertitude. Nous proposons une technique rapide d'inférence gloutonne, applicable à des données cliniques 4D. Enfin, nous nous intéressons de plus près à la qualité des estimations d'incertitude fournies par le modèle. Nous comparons les prédictions du schéma d'inférence gloutonne avec celles données par une procédure d'inférence fidèle au modèle, que nous développons sur la base de techniques MCMC. Nous approfondissons les propriétés théoriques et empiriques du modèle bayésien parcimonieux et des deux schémas d'inférence / This thesis focuses on the calibration of an electromechanical model of the heart from patient-specific, image-based data; and on the related task of extracting the cardiac motion from 4D images. Long-term perspectives for personalized computer simulation of the cardiac function include aid to the diagnosis, aid to the planning of therapy and prevention of risks. To this end, we explore tools and possibilities offered by statistical learning. To personalize cardiac mechanics, we introduce an efficient framework coupling machine learning and an original statistical representation of shape & motion based on 3D+t currents. The method relies on a reduced mapping between the space of mechanical parameters and the space of cardiac motion. The second focus of the thesis is on cardiac motion tracking, a key processing step in the calibration pipeline, with an emphasis on quantification of uncertainty. We develop a generic sparse Bayesian model of image registration with three main contributions: an extended image similarity term, the automated tuning of registration parameters and uncertainty quantification. We propose an approximate inference scheme that is tractable on 4D clinical data. Finally, we wish to evaluate the quality of uncertainty estimates returned by the approximate inference scheme. We compare the predictions of the approximate scheme with those of an inference scheme developed on the grounds of reversible jump MCMC. We provide more insight into the theoretical properties of the sparse structured Bayesian model and into the empirical behaviour of both inference schemes