L'objectif de ce travail est de contribuer au développement de méthodes de choix de la meilleure base à partir d'une décomposition en paquets d'ondelettes pour la détection et la classification. Le cadre applicatif global est le choix de la meilleure base pour la détection d'événements dans le signal EMG utérin, utilisé pour la prévention des accouchements prématurés. Deux approches de modélisation sont utilisées pour mettre en évidence le contenu fréquentiel des événements. La première est fondée sur la décomposition discrète en ondelettes, la deuxième sur la décomposition en paquets d'ondelettes. La distance de Kullback Leibler est utilisée comme un critère du choix de la meilleure base pour la détection. La détection est effectuée sur les coefficients des paquets sélectionnés. Un décalage est généré différemment sur chaque paquet d'où la nécessité de redéfinir les vraies valeurs des instants de changement et d'appliquer une procédure de fusion pour avoir ensuite un seul instant de détection correspondant au signal original. Le choix des paquets les plus discriminants pour la classification est traité. Les événements détectés sont identifiés "physiologiquement" en utilisant les méthodes de K Plus Proches Voisins, la distance de Mahalanobis, les réseaux de neurones et les Machines à Vecteurs Support. Plus de 85% des événements ont été bien classifiés.

L'accouchement prématuré reste la principale cause de mortalité et de morbidité néonatales. Le signal EMG utérin semble un vecteur potentiel d'indication du risque d'accouchement prématuré.<br /> Dans la suite des travaux réalisés pour la détection, le traitement et la classification des événements dans le signal EMG Utérin, notre travail s'est orienté vers la classification des contractions à partir des signaux EMG utérins, afin de séparer les deux types d'accouchement : accouchement prématuré et accouchement à terme.<br /> Les contractions utérines ont été manuellement segmentées à partir du signal EMG utérin. Puis chaque contraction est modélisée et des paramètres sont extraits avant de faire la classification. Cette modélisation est faite par ondelettes et par analyse de la densité spectrale de puissance de chaque contraction.<br /> La classification est ensuite réalisée en utilisant 2 types de méthodes : tout d'abord une classification non supervisée, qui regroupe les contractions sans connaissance a priori des classes, permettant ensuite une interprétation des groupes en fonction des semaines d'aménorrhées et du terme d'accouchement. Dans ce contexte nous avons développé une méthode originale de classification non supervisée basée sur le test de Fisher combiné avec la méthode de k-moyenne (USCM, Unsupervised Statistical Classification Method).<br /> L'autre type de classification est supervisée. Après avoir sélectionné d'une façon précise les femmes qui peuvent être utilisées pour l'apprentissage de notre méthode de classification, nous avons utilisé différentes méthodes supervisées de classification. Tout d'abord, nous avons testé des méthodes classiques (Réseaux de neurones, Parzen,...). Puis une méthode originale basée sur le réseau d'ondelettes a été développée pour cette classification, cette méthode ayant été précédemment utilisée pour la régression mais jamais pour la classification.<br /> Nous avons été confrontés à un problème lié au faible nombre de d'éléments pour l'apprentissage. Nous avons donc aussi utilisé une méthode basée sur la modélisation autorégressive pour augmenter l'ensemble d'apprentissage.<br /> En ce qui concerne les applications, et pour la séparation entre les signaux d'EMG (application clinique), nous avons utilisé deux approches. Dans la première approche, nous avons utilisé des contractions ayant le même nombre de SAR (Semaines d'Aménorrhée à l'Enregistrement) mais des SAA (semaines d'Aménorrhée à l'accouchement) différent (petite différence et grande différence). La deuxième approche est de classifier les événements acquis avec différentes (SAR) pour des femmes ayant le même SAA.<br /> D'après les résultats obtenus, nous avons pu conclure que nous pouvons distinguer le terme d'accouchement des femmes enregistrés aux mêmes termes de grossesse. Et nous avons pu également conclure que les contractions changent de caractéristiques en fonction du terme de grossesse. D'un point de vue clinique, le résultat important est que, pour un terme de grossesse donné à l'enregistrement, il est possible de distinguer une contraction normale et une contraction conduisant à un accouchement prématuré.

L'EMG utérin appelé Electrohystérogramme (EHG) a été exploité depuis longtemps par ses caractéristiques temporelles, fréquentielles, et temps-fréquence, pour la prédiction de l'accouchement prématuré, tandis que l'étude de sa propagation est rare. Tous les résultats des études antérieures n'ont pas montré un potentiel satisfaisant pour une application clinique. L'objectif de cette thèse est l'analyse de la propagation ainsi que de la non-linéarité des signaux EHG pendant la grossesse et le travail en vue d'une application clinique. Une analyse monovariée a été faite pour étudier la non-linéarité et la sensibilité des méthodes aux différentes caractéristiques des signaux. Une analyse bivariée a ensuite été menée pour l‟étude de la propagation de l‟EHG, en mesurant le couplage entre les voies ainsi que la direction de couplage, ce qui est une nouveauté de notre thèse. Dans cette analyse, nous proposons une approche de filtrage-fenêtrage pour améliorer les méthodes d'estimation du couplage et de sa direction. Une autre nouveauté de cette thèse est l'implantation d'un outil de localisation de source d'EHG pour étudier la dynamique de l'utérus au niveau de la source, et non pas au niveau des électrodes comme fait dans les études précédentes. Les résultats montrent que les méthodes non linéaires sont plus capables que les méthodes linéaires, de classifier les contractions de grossesse et de travail. La méthode de réversibilité de temps est la moins sensible à la fréquence d'échantillonnage et au contenu fréquentiel du signal. Les résultats indiquent également une augmentation de couplage et une concentration des directions vers le col de l‟utérus, en allant de la grossesse vers le travail. En respectant la non-stationnarité des signaux EHG et en se libérant de l'effet de filtrage de la graisse, très variable durant la grossesse et entre les différentes femmes, notre méthode de filtrage-fenêtrage (segmentation et filtrage du signal EHG pour ne garder que la composant FWL), améliore les performances des méthodes de connectivité. L'intensité des sources localisées et leur nombre sont plus élevés durant le travail que durant la grossesse. Les sources localisées sont actives et propagées durant le travail alors que durant la grossesse elles restent faibles et localisées. Une amélioration de la matrice d'électrodes du protocole expérimental de rat a été effectuée par le développement d'une électrode à succion. Ce protocole pourra ensuite être utilisé pour la validation de nos méthodes et celle du modèle électrophysiologique. / The uterine EMG -called Electrohysterogramme (EHG)- temporal, frequency, and time-frequency characteristics have been used for a long time for the prediction of preterm labor. However, the investigation of its propagation is rare. All the results of the previous studies did not show a satisfactory potential for clinical application. The objective of this thesis is the analysis of the propagation as well as of the nonlinear characteristics of EHG signals during pregnancy and labor for clinical application. A monovariate analysis was done to investigate the nonlinearity and the sensibility of methods to different characteristics of the signals. A bivariate analysis was then done for the investigation of the propagation of EHG by measuring the coupling between channels, as well as the direction of coupling, which is an innovative part of our thesis. In this analysis we propose a new approach to improve the coupling and direction estimation methods. Another innovation of this thesis is the implementation of a tool for EHG source localization to investigate the dynamic of the uterus at the source level, not at electrodes level as previously done. Results show that nonlinear methods are more able to classify pregnancy and labor contractions than linear ones, and that time reversibility method is the least sensitive to sampling frequency and frequency content of the signal. Results also indicate an increase in coupling and a concentration of coupling direction toward the cervix when going from pregnancy to labor. We also proposed to respect the nonstationarity of EHG signal and to recover the effect of variable fat filtering along pregnancy, by segmenting and filtering the EHG in its FWL component. This filtering-windowing approach permits to improve the performances of connectivity methods. Finally, the intensity of localized sources and their number is higher in labor than in pregnancy contractions. The identified sources are more active and more propagated in labor whereas in pregnancy they remain weak and local. An improvement in the electrode matrix of the rat experimental protocol has also been done by developing a suction electrode. This protocol can then be used for the validation of our methods and of the electrophysiological model.