L'électroencéphalogramme (EEG) est un examen incontournable pour le diagnostic, la définition des structures cérébrales responsables de l'origine de crises et la classification des épilepsies. Cependant les enregistrements recueillis à la surface du scalp sont très perturbés par des artefacts et du bruit, ce qui complique considérablement l'interprétation clinique ou l'analyse automatique. Ce travail a pour objectif d'extraire des descripteurs des signaux d'EEG de surface qui peuvent conduire à la caractérisation de la dynamique spatio-temporelle des crises partielles du lobe temporal. Les estimateurs de relations inter-voies appliqués sont les méthodes linéaires paramétriques symétriques et non symétriques telles que l'inter-spectre (S), la cohérence (C), la Directed Transfert Function (DTF) ou la Partial Directed Coherence (PDC). Les relations sont estimées sur des EEG réels contenant une crise. La détection de fortes relations inter-voies est exploitée pour latéraliser puis caractériser la crise. Toutes les méthodes sont appliquées sur des signaux EEG bruts et prétraités. Une étape de prétraitement basée sur la séparation et classification de sources et le débruitage est mise en oeuvre afin d'éliminer les artefacts et le bruit avec une perte minimale d'information en diminuant le risque de fausses détections de relations de connectivité inter-signaux. Les résultats obtenus sur 51 crises montrent que le prétraitement améliore la détection et le taux de bonnes latéralisations. Une méthode de couplage entre l'IS et les méthodes paramétriques directives (PDC et DTF) permet d'améliorer la caractérisation des crises.

L’électroencéphalogramme (EEG) est un examen incontournable pour le diagnostic, la définition des structures cérébrales responsables de l’origine de crises et la classification des épilepsies. Cependant les enregistrements recueillis à la surface du scalp sont très perturbés par des artefacts et du bruit, ce qui complique considérablement l’interprétation clinique ou l’analyse automatique.Ce travail a pour objectif d’extraire des descripteurs des signaux d’EEG de surface qui peuvent conduire à la caractérisation de la dynamique spatio-temporelle des crises partielles du lobe temporal. Les estimateurs de relations inter-voies appliqués sont les méthodes linéaires paramétriques symétriques et non symétriques telles que l’inter-spectre (S), la cohérence (C), la Directed Transfert Function (DTF) ou la Partial Directed Coherence (PDC). Les relations sont estimées sur des EEG réels contenant une crise. La détection de fortes relations inter-voies est exploitée pour latéraliser puis caractériser la crise. Toutes les méthodes sont appliquées sur des signaux EEG bruts et prétraités. Une étape de prétraitement basée sur la séparation et classification de sources et le débruitage est mise en œuvre afin d’éliminer les artefacts et le bruit avec une perte minimale d’information en diminuant le risque de fausses détections de relations de connectivité inter-signaux. Les résultats obtenus sur 51 crises montrent que le prétraitement améliore la détection et le taux de bonnes latéralisations. Une méthode de couplage entre l’IS et les méthodes paramétriques directives (PDC et DTF) permet d’améliorer la caractérisation des crises / The electroencephalogram (EEG) is the essential clinical examination for the diagnosis, the definition of brain structures responsible of seizures and epilepsy classification. However, the signals collected on the surface of the scalp are very disturbed by artifacts and noise, which complicates the clinical interpretation or the automatic analysis. This work aims to extract descriptors of surface EEG signals that can lead to the spatio-temporal characterization of the temporal lobe seizures. The inter-channel relationship estimators applied are parametric linear methods, such as cross-spectrum (S), coherence (C), Directed Transfer Function (DTF) or Partial Directed Coherence (PDC). Relations are estimated on real EEG recordings containing a crisis. The detection of strong inter-channel relationships is exploited in order to lateralize and to characterize seizures. All methods are applied to raw and preprocessed EEG signals. A preprocessing step, based on the separation and classification of sources and denoising is implemented to remove artifacts and noise with a minimal loss of information by reducing the risk of false detections of inter-signal connectivity relationships. The results on 51 crises show that a signal preprocessing improves the detection and the rate of correct lateralization. A coupling method between S and directivity parametric methods (PDC and DTF) improves the characterization of crises