Au cours de ces dernières années, plusieurs méthodes d’évaluation sensorielle dites « rapides » ont été développées dans le but de recueillir une caractérisation sensorielle d’un produit directement auprès du consommateur. Cette thèse s’inscrit dans cette mouvance en proposant la méthode des Déterminants Temporels du Liking (DTL) qui consiste à coupler la Dominance Temporelle des Sensations (DTS) à un suivi temporel de l’appréciation hédonique. Cette méthode permet d’identifier les déterminants sensoriels des préférences des consommateurs, et surtout dans quelles mesures leur temporalité impacte la dynamique de ces préférences. La méthode introduit le nouveau concept de « Liking While Dominant », consistant à calculer la note moyenne de liking pendant la dominance d’un descripteur dans un produit afin de quantifier son écart à la moyenne du liking de ce produit. La significativité et le signe de cet écart permettent de lister les déterminants sensoriels positifs et négatifs du liking.L’échelle de temporalité étudiée peut aussi bien être la prise (gorgée, bouchée…) que la succession de plusieurs prises du même produit constituant la consommation de tout ou partie de la portion. Dans le second cas, il est possible d’interroger de manière répétée le consommateur sur d’autres aspects que le liking, comme par exemple le wanting, l’état de faim ou de soif… Les déterminants sensoriels temporels de ces autres aspects peuvent alors être étudiés. La méthode DTL a également été déployée hors du laboratoire d’analyse sensorielle afin de se placer en situation naturelle de consommation, par exemple à domicile. Le concept DTL a été adapté à un spectromètre de masse à transfert de proton dans lequel est injectée dynamiquement la fraction aromatique capturée dans la cavité nasale du sujet lors de la mastication d’un aliment. Il est alors possible d’obtenir une dynamique de la perception sensorielle ainsi que les cinétiques de relargage des composés aromatiques ; les secondes devant expliquer la première. / Over the last years, so-called rapid methods for sensory evaluation have been developed to collect sensory description of products from consumers. Moving forward in this direction, this thesis proposes to pair Temporal Dominance of Sensations (TDS) with dynamic liking. This new method, named Temporal Drivers of Liking (TDL), highlights sensory drivers of consumer liking and determines how the dynamic perception can impact the hedonic response. This work proposes to compute the Liking While Dominant (LWD) score as the average liking scores given to a product while a given attribute was perceived as dominant and to look at its deviation from the mean liking score of this product. When significantly higher (resp. smaller) than 0, it denotes a positive (resp. negative) TDL.TDL method can evaluate temporality within intake (bites, sips…) but also between successive intakes in order to study perception along the consumption of the full food. In this case, other parameters can be asked repeatedly to the consumers such as wanting, state of hunger or thirst… Temporal drivers of these other parameters can be computed in the same way than the TDLs. The TDL method has also been deployed outside the sensory lab to place consumers in real-life conditions, for example at home. TDL concept has also been extended where subjects did TDS while the aromas released in their nose during mastication were simultaneously collected by a proton transfer reaction mass spectrometer. It makes it possible to collect simultaneously kinetics of sensory attributes and of active chemical compounds; the latter being expected to explain the former.

La Dominance Temporelle des Sensations (DTS) est une méthode d’analyse sensorielle qui mesure la perception temporelle d’un produit au cours de sa dégustation. Pour un panéliste, la DTS consiste à choisir parmi une liste de descripteurs lequel est dominant à chaque instant. Ce travail a pour but la modélisation des données DTS à l’aide de processus stochastiques et propose d’utiliser les processus semi-markoviens (PSM), une généralisation des chaînes de Markov qui permet de modéliser librement les durées de dominance. Le modèle obtenu peut être utilisé pour comparer des échantillons DTS en réalisant un rapport de vraisemblance. Étant donné que les probabilités de transition entre les descripteurs peuvent dépendre du temps, nous proposons d’utiliser des modèles différents par période et nous proposons un algorithme pour déterminer le nombre et les frontières de ces périodes de manière optimale. Le modèle est représenté sous forme d’un graphe montrant les transitions entre descripteurs les plus observées. Finalement, ce travail introduit les modèles de mélange de processus semi-markoviens afin de segmenter le panel en fonction des différences de perception interindividuelles.Les méthodes développées sont appliquées à des jeux de données DTS variés : chocolats, fromages frais et Goudas. Les résultats montrent que la modélisation par un PSM apporte de nouvelles informations sur la perception temporelle, en particulier sur la variabilité de perception au sein d’un panel, alors que les méthodes classiques se focalisent sur une vision moyenne de la perception du panel. De plus, à notre connaissance, ce travail est le premier à proposer l’identification d’un modèle de mélange de processus semi-markoviens. / Temporal Dominance of Sensations (TDS) is a technique to measure temporal perception of food product during tasting. For a panelist, it consists in choosing in a list of attributes which one is dominant at any time. This work aims to model TDS data with a stochastic process and proposes to use semi-Markov processes (SMP), a generalization of Markov chains which allows dominance durations to be modeled by any type of distribution. The model can then be used to compare TDS samples based on likelihood ratio. Because probabilities of transition from one attribute to another one can also depend on time, we propose to model TDS by period and we propose a method to select optimally the number of periods and the frontiers between periods. Graphs built upon the stochastic pattern can be plotted to represent main chronological transitions between attributes. Finally, this work introduces new statistical models based on finite mixtures of semi-Markov processes in order to derive consumer segmentation based on individual differences in temporal perception of a product.The methods are applied to various TDS datasets: chocolates, fresh cheeses and Gouda cheeses. Results show that SMP modeling gives new information about temporal perception compared to classical methods. It particularly emphasizes the existence of several perceptions for a same product in a panel, whereas classical methods only provide a mean panel overview. Furthermore, as far as we know, this work is the first one that considers mixtures of semi-Markov processes.