Les techniques M/EEG permettent de déterminer les changements de l'activité du cerveau, utiles au diagnostic de pathologies cérébrales, telle que l'épilepsie. Ces techniques consistent à mesurer les potentiels électriques sur le scalp et le champ magnétique autour de la tête. Ces mesures sont reliées à l'activité électrique du cerveau par un modèle linéaire dépendant d'une matrice de mélange liée à un modèle physique. La localisation des sources, ou dipôles, des mesures M/EEG consiste à inverser le modèle physique. Cependant, la non-unicité de la solution (due à la loi fondamentale de physique) et le faible nombre de dipôles rendent le problème inverse mal-posé. Sa résolution requiert une forme de régularisation pour restreindre l'espace de recherche. La littérature compte un nombre important de travaux traitant de ce problème, notamment avec des approches variationnelles. Cette thèse développe des méthodes Bayésiennes pour résoudre des problèmes inverses, avec application au traitement des signaux M/EEG. L'idée principale sous-jacente à ce travail est de contraindre les sources à être parcimonieuses. Cette hypothèse est valide dans plusieurs applications, en particulier pour certaines formes d'épilepsie. Nous développons différents modèles Bayésiens hiérarchiques pour considérer la parcimonie des sources. En théorie, contraindre la parcimonie des sources équivaut à minimiser une fonction de coût pénalisée par la norme l0 de leurs positions. Cependant, la régularisation l0 générant des problèmes NP-complets, l'approximation de cette pseudo-norme par la norme l1 est souvent adoptée. Notre première contribution consiste à combiner les deux normes dans un cadre Bayésien, à l'aide d'une loi a priori Bernoulli-Laplace. Un algorithme Monte Carlo par chaîne de Markov est utilisé pour estimer conjointement les paramètres du modèle et les positions et intensités des sources. La comparaison des résultats, selon plusieurs scenarii, avec ceux obtenus par sLoreta et la régularisation par la norme l1 montre des performances intéressantes, mais au détriment d'un coût de calcul relativement élevé. Notre modèle Bernoulli Laplace résout le problème de localisation des sources pour un instant donné. Cependant, il est admis que l'activité cérébrale a une certaine structure spatio-temporelle. L'exploitation de la dimension temporelle est par conséquent intéressante pour contraindre d'avantage le problème. Notre seconde contribution consiste à formuler un modèle de parcimonie structurée pour exploiter ce phénomène biophysique. Précisément, une distribution Bernoulli-Laplacienne multivariée est proposée comme loi a priori pour les dipôles. Une variable latente est introduite pour traiter la loi a posteriori complexe résultante et un algorithme d'échantillonnage original de type Metropolis Hastings est développé. Les résultats montrent que la technique d'échantillonnage proposée améliore significativement la convergence de la méthode MCMC. Une analyse comparative des résultats a été réalisée entre la méthode proposée, une régularisation par la norme mixte l21, et l'algorithme MSP (Multiple Sparse Priors). De nombreuses expérimentations ont été faites avec des données synthétiques et des données réelles. Les résultats montrent que notre méthode a plusieurs avantages, notamment une meilleure localisation des dipôles. Nos deux précédents algorithmes considèrent que le modèle physique est entièrement connu. Cependant, cela est rarement le cas dans les applications pratiques. Au contraire, la matrice du modèle physique est le résultat de méthodes d'approximation qui conduisent à des incertitudes significatives. / M/EEG mechanisms allow determining changes in the brain activity, which is useful in diagnosing brain disorders such as epilepsy. They consist of measuring the electric potential at the scalp and the magnetic field around the head. The measurements are related to the underlying brain activity by a linear model that depends on the lead-field matrix. Localizing the sources, or dipoles, of M/EEG measurements consists of inverting this linear model. However, the non-uniqueness of the solution (due to the fundamental law of physics) and the low number of dipoles make the inverse problem ill-posed. Solving such problem requires some sort of regularization to reduce the search space. The literature abounds of methods and techniques to solve this problem, especially with variational approaches. This thesis develops Bayesian methods to solve ill-posed inverse problems, with application to M/EEG. The main idea underlying this work is to constrain sources to be sparse. This hypothesis is valid in many applications such as certain types of epilepsy. We develop different hierarchical models to account for the sparsity of the sources. Theoretically, enforcing sparsity is equivalent to minimizing a cost function penalized by an l0 pseudo norm of the solution. However, since the l0 regularization leads to NP-hard problems, the l1 approximation is usually preferred. Our first contribution consists of combining the two norms in a Bayesian framework, using a Bernoulli-Laplace prior. A Markov chain Monte Carlo (MCMC) algorithm is used to estimate the parameters of the model jointly with the source location and intensity. Comparing the results, in several scenarios, with those obtained with sLoreta and the weighted l1 norm regularization shows interesting performance, at the price of a higher computational complexity. Our Bernoulli-Laplace model solves the source localization problem at one instant of time. However, it is biophysically well-known that the brain activity follows spatiotemporal patterns. Exploiting the temporal dimension is therefore interesting to further constrain the problem. Our second contribution consists of formulating a structured sparsity model to exploit this biophysical phenomenon. Precisely, a multivariate Bernoulli-Laplacian distribution is proposed as an a priori distribution for the dipole locations. A latent variable is introduced to handle the resulting complex posterior and an original Metropolis-Hastings sampling algorithm is developed. The results show that the proposed sampling technique improves significantly the convergence. A comparative analysis of the results is performed between the proposed model, an l21 mixed norm regularization and the Multiple Sparse Priors (MSP) algorithm. Various experiments are conducted with synthetic and real data. Results show that our model has several advantages including a better recovery of the dipole locations. The previous two algorithms consider a fully known leadfield matrix. However, this is seldom the case in practical applications. Instead, this matrix is the result of approximation methods that lead to significant uncertainties. Our third contribution consists of handling the uncertainty of the lead-field matrix. The proposed method consists in expressing this matrix as a function of the skull conductivity using a polynomial matrix interpolation technique. The conductivity is considered as the main source of uncertainty of the lead-field matrix. Our multivariate Bernoulli-Laplacian model is then extended to estimate the skull conductivity jointly with the brain activity. The resulting model is compared to other methods including the techniques of Vallaghé et al and Guttierez et al. Our method provides results of better quality without requiring knowledge of the active dipole positions and is not limited to a single dipole activation.

Cette thèse porte sur la géolocalisation de sources radio-électriques dans le cadre du traitement d'antenne, c'est-à-dire l'estimation de la position, dans le plan ou l'espace, de sources incidentes à divers réseaux multicapteurs (stations de base). Il s'agit de concevoir des algorithmes estimant au mieux la position d'un ensemble de sources et de caractériser les limites théoriques, en termes d'erreur quadratique moyenne, des approches envisagées pour résoudre le problème de géolocalisation. Nous nous plaçons dans un contexte passif, sans a priori sur les signaux émis. De manière classique, la position des sources est souvent estimée à l'aide de paramètres intermédiaires (angles d'arrivée, temps d'arrivée, fréquences d'arrivée ...) estimés localement sur chacune des stations de base dans un premier temps. Ces paramètres intermédiaires sont ensuite transmis à une unité centrale de traitement qui réalise l'étape de localisation dans un second temps. On parle parfois d'approche en deux étapes. Cette solution décentralisée est par nature sous-optimale. Une approche optimale du problème de localisation consiste à estimer directement la position des sources à l'aide de l'ensemble des signaux reçus par les stations et transmis directement à l'unité centrale de traitement. Il convient alors de réaliser la localisation à l'aide d'une approche centralisée ne comportant qu'une seule étape : la position des sources étant directement estimée à partir de l'ensemble des signaux disponibles à l'unité centrale de traitement. Le problème à résoudre dépend directement de la position des sources et non plus de paramètres intermédiaires. Cette approche du problème de localisation offre de nouvelles perspectives quant à la conception de nouveaux algorithmes et pose la question de son intérêt théorique en termes d'amélioration des performances de localisation. Dans cette thèse, nous examinons l'intérêt constitué par l'exploitation simultanée des signaux de toutes les stations de base afin de réaliser la localisation. Nous nous attachons dans un premier temps à caractériser en termes d'erreur quadratique moyenne et de borne de Cramer-Rao les approches centralisées et décentralisées pour la localisation dans un contexte de signaux bande étroite sur l'ensemble du réseau de stations. Ensuite, pour le cas plus général de signaux large bande sur l'ensemble du réseau de stations, nous proposons une approche basée sur un traitement spatio-temporel. Nous montrons son intérêt comparativement à l'état de l'art et aux performances optimales théoriques qui font elles-mêmes l'objet d'une partie des travaux exposés dans cette thèse. Un algorithme de géolocalisation en contexte de multitrajets est également proposé dans cette thèse. / This thesis deal with the geographical positioning of multiple radio transmitters thanks to array processing techniques. The estimation of the position is achieved thanks to multiple sensor base stations. We aim to design estimators of the sources position and to characterize the fundamental limits of localization strategies in terms of root-mean-square-error in a passive signal context (no prior information on the transmitted signals). Traditionally, the geographical positioning is achieved by means of a two steps procedure. In the first step, intermediate location parameters (angles of arrival, times of arrival ...) are locally estimated, in a decentralized processing on each station. Then, the location is achieved in a central processing unit thanks to all the transmitted parameters in the second step. This strategy is obviously suboptimal. An optimal solution of the geographical localization problem rather consists in estimating the position of the sources in a centralized manner at the central processing unit, assuming that all base stations are able to transfer all their signals to the central processing unit. Then the localization can be achieved in a one step procedure. The problem now depends on the position of the sources directly and not on intermediate parameters. This approach appears to be very interesting but the characterization of their fundamental limits is still an open question. In this thesis we examine the advantages of the centralized one step procedure compared to the traditional decentralized two-step procedure. First, we study the case of narrowband signals on the station network that offers a relevant theoretical framework to compare the performance of centralized and decentralized localization scheme. Then, we propose an alternative to the existing techniques in the more general wideband signal context based on a spatio-temporal approach. The comparison of existing techniques and the new ones to optimal performance is also part of the work reported in this thesis. A multistage geographical positioning technique is also provided for the multipaths propagation context.

Cette thèse présente d'une part, la construction d'approximations parcimonieuses de champs acoustiques, d'autre part l'utilisation de ces approximations pour la résolution de problèmes inverses. L'approximation de solutions de l'équation d'Helmholtz est étendue à des modèles de vibration de plaques, ce qui, entre autres, permet également de concevoir une méthode de calcul de mode propres alternative aux méthodes de référence. Différents problèmes inverses sont ensuite étudiés, en se basant sur ces résultats d'approximation. Le premier est l'holographie acoustique en champ propre, pour laquelle nous développons une nouvelle méthode de régularisation, ainsi qu'une antenne aléatoire permettant de réduire le nombre de mesures nécessaires à la reconstruction de déformées opérationnelles de plaques. Le deuxième problème inverse étudié est l'interpolation spatiale de réponses impulsionnelles de plaques, où nous montrons qu'en mesurant le champ vibratoire sur un ensemble d'échantillons bien choisi (justifié par une analyse théorique), les réponses impulsionnelles d'une plaque peuvent être obtenues avec moins de mesures que demandées par le théorème d'échantillonnage de Shannon. Enfin, le problème de la localisation de sources dans un espace clos réverbérant est étudié. Nous montrons qu'en utilisant des modèles parcimonieux d'ondes, la localisation est possible sans connaissances a priori sur les conditions aux limites du domaine de propagation des ondes.

La grande majorité des systèmes perceptifs proposés en robotique héritent d'une conception passive de la perception dans laquelle la génération d'une commande motrice est l'étape ultime d'une succession de traitements purement passifs. Dans le cadre de la localisation de sources sonores, qui est une tâche fondamentale du système auditif, cette approche passive offre de bons résultats lorsque les conditions environnementales sont bien connues et facilement modélisables. Cependant des difficultés apparaissent lorsque l'environnement se complexifie, a fortiori s'il est inconnu ou changeant. Ces difficultés constituent un enjeu important dans le domaine de l'audition artificielle. Cette thèse considère une approche radicalement différente de l'approche passive, inspirée de la psychologie de la perception et de la théorie des contingences sensorimotrices. Cette approche place l'action au coeur du processus de perception, qui est alors vu comme une interaction qu'un agent biologique ou robotique entretient avec son environnement. Alors que l'approche passive nécessite des connaissances sur l'environnement, implicement intégrées dans les traitements par le roboticien, l'approche sensorimotrice suggère au contraire que ces connaissances sont acquises par l'agent de manière autonome, à travers son expérience sensorimotrice. Ainsi cette thèse applique la théorie des contingences sensorimotrices à la localisation de sources sonores pour la robotique autonome. Sur la base d'un modèle bioinspiré du système auditif adapté au contexte robotique, cette thèse propose une redéfinition du problème de la localisation en termes sensorimoteurs. Un modèle de localisation sensorimotrice est alors proposé. Celui-ci se base sur des capacités de perception active bas-niveau pour construire une représentation de l'espace auditif qui est ensuite utilisée pour une localisation passive. En exploitant les capacités d'action du robot, ce modèle permet de s'affranchir des dépendances à l'environnement qui mettent en difficulté l'approche passive, en proposant ainsi un degré d'autonomie supérieur à celui des modèles actuels / The vast majority of perceptual systems proposed in robotics inherit apassive conception of perception, in which the generation of a motor command is the final stage of successive passive processes. In the field of sound sources localization, which is a fundamental task of the auditory system, this passive approach provides good results when the environment is well known and easily modeled. However, difficulties arise when the environment becomes more complex, unknown or changing. These difficulties are a major issue in the field of machine hearing. This thesis considers a radically different approach inspired by the psychology of perception and theory of sensorimotor contingencies. This approach places action at the heart of the process of perception, which is seen as an interaction of a biological or robotic agent with it's environment. While passive approach requires environmental knowledge, implicitly integrated into models by the robotisist, the sensorimotor approach suggests that this knowledge is acquired by the agent by itself, through its sensorimotor experience. Thus, this thesis applies the theory of sensorimotor contingencies to sound sources localization for autonomous robots. Based on a model of the auditory system adapted to robotics, this thesis proposes a redefinition of the localization problem in sensorimotor terms. A sensorimotor model of localization is then proposed. It is based on active and low-level perception skills which are used to learn a representation of the auditory space. This representation is then used for a passive localization of new sound sources. By exploiting the active capabilities of the robot, this model eliminates the environment dependencies that put difficulty in the passive approach, thus offering a degree of autonomy higher than current models

Le travail de thèse présenté dans ce mémoire a permis le développement d'une nouvelle méthode de caractérisation des fonds marins : la méthode des sources images. Elle repose sur une modélisation physique de la réflexion des ondes émises par une source omnidirectionnelle sur un milieu stratifié sous l'approximation de Born. Ainsi, chaque réflexion de l'onde sur une interface du milieu stratifié peut être représentée par une source image dont la position spatiale est directement liée à la vitesse des ondes acoustiques dans les strates et aux épaisseurs de celles-ci. La détection des sources images par la migration des signaux enregistrés sur une antenne et l'utilisation d'une fonction de semblance permet alors d'obtenir le profil de célérité d'une structure sédimentaire. La méthode ne nécessite donc l'enregistrement des échos réfléchis sur le fond marin par une antenne d'hydrophones que pour un seul tir de la source. Les principaux avantages de la méthode sont son automatisation, son faible coût de calcul (donc sa rapidité), sa bonne robustesse par rapport au bruit et l'aspect local de l'inversion. Les résultats obtenus avec des données réelles sont très satisfaisants tant avec l'utilisation d'une antenne verticale qu'avec une antenne horizontale. En particulier, l'utilisation de l'antenne horizontale permet d'effectuer des inversions locales répétées le long d'une radiale et ainsi d'obtenir une inversion d'un système stratifié dont la structure varie avec la distance.

Cette thèse a pour but d'estimer la position et la puissance de sources sonores ponctuelles à l'aide d'une antenne acoustique. Nous nous intéressons d'abord à la directivité des antennes acoustiques pondérées. On montre qu'une telle antenne, appelée antenne conventionnelle, même si elle est à directivité optimale, est inutilisable pour localiser plusieurs sources sonores. Des traitements adaptatifs d'antenne sont donc exigés et les méthodes dites à haute résolution sont introduites. Elles sont basées sur l'estimation de la matrice de covariance des signaux issus des capteurs et présentent l'avantage de s'affranchir des limitations naturelles du traitement d'antenne conventionnel. Cependant, ces méthodes nécessitent l'emploi d'un modèle de propagation et sont donc par nature peu robustes aux erreurs de modèle, ce qui peut être parfois un handicap et dégrader leurs performances. Par la suite, nous présentons une nouvelle méthode de séparation des sources utilisant une représentation parcimonieuse des signaux. Nous montrons que ses performances sont meilleures que celles obtenues par les méthodes à haute résolution et notre algorithme parvient à une bonne résolution spatiale, même sous des conditions défavorables. Cette méthode est appliquée aux sources corrélées et décorrélées, à bande étroite et à large bande, en champ proche et en champ lointain. Pour finir, nous présentons des méthodes pour estimer la puissance des sources sonores. Des simulations numériques et des expérimentations en chambre anéchoïque sont effectuées afin de vérifier et de valider les analyses et les résultats théoriques

Cette thèse porte sur la géolocalisation de sources radio-électriques dans le cadre du traitement d'antenne, c'est-à-dire l'estimation de la position, dans le plan ou l'espace, de sources incidentes à divers réseaux multicapteurs (stations de base). Il s'agit de concevoir des algorithmes estimant au mieux la position d'un ensemble de sources et de caractériser les limites théoriques, en termes d'erreur quadratique moyenne, des approches envisagées pour résoudre le problème de géolocalisation. Nous nous plaçons dans un contexte passif, sans a priori sur les signaux émis. De manière classique, la position des sources est souvent estimée à l'aide de paramètres intermédiaires (angles d'arrivée, temps d'arrivée, fréquences d'arrivée ...) estimés localement sur chacune des stations de base dans un premier temps. Ces paramètres intermédiaires sont ensuite transmis à une unité centrale de traitement qui réalise l'étape de localisation dans un second temps. On parle parfois d'approche en deux étapes. Cette solution décentralisée est par nature sous-optimale. Une approche optimale du problème de localisation consiste à estimer directement la position des sources à l'aide de l'ensemble des signaux reçus par les stations et transmis directement à l'unité centrale de traitement. Il convient alors de réaliser la localisation à l'aide d'une approche centralisée ne comportant qu'une seule étape : la position des sources étant directement estimée à partir de l'ensemble des signaux disponibles à l'unité centrale de traitement. Le problème à résoudre dépend directement de la position des sources et non plus de paramètres intermédiaires. Cette approche du problème de localisation offre de nouvelles perspectives quant à la conception de nouveaux algorithmes et pose la question de son intérêt théorique en termes d'amélioration des performances de localisation. Dans cette thèse, nous examinons l'intérêt constitué par l'exploitation simultanée des signaux de toutes les stations de base afin de réaliser la localisation. Nous nous attachons dans un premier temps à caractériser en termes d'erreur quadratique moyenne et de borne de Cramer-Rao les approches centralisées et décentralisées pour la localisation dans un contexte de signaux bande étroite sur l'ensemble du réseau de stations. Ensuite, pour le cas plus général de signaux large bande sur l'ensemble du réseau de stations, nous proposons une approche basée sur un traitement spatio-temporel. Nous montrons son intérêt comparativement à l'état de l'art et aux performances optimales théoriques qui font elles-mêmes l'objet d'une partie des travaux exposés dans cette thèse. Un algorithme de géolocalisation en contexte de multitrajets est également proposé dans cette thèse.

Dans un environnement non contrôlé, un robot doit pouvoir interagir avec les personnes d’une façon autonome. Cette autonomie doit également inclure une interaction grâce à la voix humaine. Lorsque l’interaction s’effectue à une distance de quelques mètres, des phénomènes tels que la réverbération et la présence de bruit ambiant doivent être pris en considération pour effectuer efficacement des tâches comme la reconnaissance de la parole ou de locuteur. En ce sens, le robot doit être en mesure de localiser, suivre et séparer les sources sonores présentes dans son environnement. L’augmentation récente de la puissance de calcul des processeurs et la diminution de leur consommation énergétique permettent dorénavant d’intégrer ces systèmes d’audition articielle sur des systèmes embarqués en temps réel. L’audition robotique est un domaine relativement jeune qui compte deux principales librairies d’audition artificielle : ManyEars et HARK. Jusqu’à présent, le nombre de microphones se limite généralement à huit, en raison de l’augmentation rapide de charge de calculs lorsque des microphones supplémentaires sont ajoutés. De plus, il est parfois difficile d’utiliser ces librairies avec des robots possédant des géométries variées puisqu’il est nécessaire de les calibrer manuellement. Cette thèse présente la librairie ODAS qui apporte des solutions à ces difficultés. Afin d’effectuer une localisation et une séparation plus robuste aux matrices de microphones fermées, ODAS introduit un modèle de directivité pour chaque microphone. Une recherche hiérarchique dans l’espace permet également de réduire la quantité de calculs nécessaires. De plus, une mesure de l’incertitude du délai d’arrivée du son est introduite pour ajuster automatiquement plusieurs paramètres et ainsi éviter une calibration manuelle du système. ODAS propose également un nouveau module de suivi de sources sonores qui emploie des filtres de Kalman plutôt que des filtres particulaires. Les résultats démontrent que les méthodes proposées réduisent la quantité de fausses détections durant la localisation, améliorent la robustesse du suivi pour des sources sonores multiples et augmentent la qualité de la séparation de 2.7 dB dans le cas d’un formateur de faisceau à variance minimale. La quantité de calculs requis diminue par un facteur allant jusqu’à 4 pour la localisation et jusqu’à 30 pour le suivi par rapport à la librairie ManyEars. Le module de séparation des sources sonores exploite plus efficacement la géométrie de la matrice de microphones, sans qu’il soit nécessaire de mesurer et calibrer manuellement le système. Avec les performances observées, la librairie ODAS ouvre aussi la porte à des applications dans le domaine de la détection des drones par le bruit, la localisation de bruits extérieurs pour une navigation plus efficace pour les véhicules autonomes, des assistants main-libre à domicile et l’intégration dans des aides auditives.

L'électroencéphalographie (EEG) est une technique qui est couramment utilisée pour le diagnostic et le suivi de l'épilepsie. L'objectif de cette thèse consiste à fournir des algorithmes pour l'extraction, la séparation, et la localisation de sources épileptiques à partir de données EEG. D'abord, nous considérons deux étapes de prétraitement. La première étape vise à éliminer les artéfacts musculaires à l'aide de l'analyse en composantes indépendantes (ACI). Dans ce contexte, nous proposons un nouvel algorithme par déflation semi-algébrique qui extrait les sources épileptiques de manière plus efficace que les méthodes conventionnelles, ce que nous démontrons sur données EEG simulées et réelles. La deuxième étape consiste à séparer des sources corrélées. A cette fin, nous étudions des méthodes de décomposition tensorielle déterministe exploitant des données espace-temps-fréquence ou espace-temps-vecteur-d'onde. Nous comparons les deux méthodes de prétraitement à l'aide de simulations pour déterminer dans quels cas l'ACI, la décomposition tensorielle, ou une combinaison des deux approches devraient être utilisées. Ensuite, nous traitons la localisation de sources distribuées. Après avoir présenté et classifié les méthodes de l'état de l'art, nous proposons un algorithme pour la localisation de sources distribuées qui s'appuie sur les résultats du prétraitement tensoriel. L'algorithme est évalué sur données EEG simulées et réelles. En plus, nous apportons quelques améliorations à une méthode de localisation de sources basée sur la parcimonie structurée. Enfin, une étude des performances de diverses méthodes de localisation de sources est conduite sur données EEG simulées. / Electroencephalography (EEG) is a routinely used technique for the diagnosis and management of epilepsy. In this context, the objective of this thesis consists in providing algorithms for the extraction, separation, and localization of epileptic sources from the EEG recordings. In the first part of the thesis, we consider two preprocessing steps applied to raw EEG data. The first step aims at removing muscle artifacts by means of Independent Component Analysis (ICA). In this context, we propose a new semi-algebraic deflation algorithm that extracts the epileptic sources more efficiently than conventional methods as we demonstrate on simulated and real EEG data. The second step consists in separating correlated sources that can be involved in the propagation of epileptic phenomena. To this end, we explore deterministic tensor decomposition methods exploiting space-time-frequency or space-time-wave-vector data. We compare the two preprocessing methods using computer simulations to determine in which cases ICA, tensor decomposition, or a combination of both should be used. The second part of the thesis is devoted to distributed source localization techniques. After providing a survey and a classification of current state-of-the-art methods, we present an algorithm for distributed source localization that builds on the results of the tensor-based preprocessing methods. The algorithm is evaluated on simulated and real EEG data. Furthermore, we propose several improvements of a source imaging method based on structured sparsity. Finally, a comprehensive performance study of various brain source imaging methods is conducted on physiologically plausible, simulated EEG data.

Dans de nombreux problèmes, des modèles complexes non-Gaussiens et/ou non-linéaires sont nécessaires pour décrire précisément le système physique étudié. Dans ce contexte, les algorithmes de Monte-Carlo sont des outils flexibles et puissants permettant de résoudre de tels problèmes d’inférence. Toutefois, en présence de loi a posteriori multimodale et/ou de grande dimension, les méthodes classiques de Monte-Carlo peuvent conduire à des résultats non satisfaisants. Dans cette thèse, nous étudions une approche plus robuste et efficace: échantillonneur séquentiel de Monte-Carlo. Bien que cette approche présente de nombreux avantages par rapport aux méthodes traditionnelles de Monte-Carlo, le potentiel de cette technique est cependant très largement sous-exploité en traitement du signal. L’objectif de cette thèse est donc de proposer de nouvelles stratégies permettant d’améliorer l’efficacité de cet algorithme et ensuite de faciliter sa mise en œuvre pratique. Pour ce faire, nous proposons une approche adaptive qui sélectionne la séquence de distributions minimisant la variance asymptotique de l'estimateur de la constante de normalisation de la loi a posteriori. Deuxièmement, nous proposons un mécanisme de correction qui permet d’améliorer l’efficacité globale de la méthode en utilisant toutes les particules générées à travers toutes les itérations de l’algorithme (au lieu d’uniquement celles de la dernière itération). Enfin pour illustrer l’utilité de cette approche ainsi que des stratégies proposées, nous utilisons cet algorithme dans deux problèmes complexes: la localisation de sources multiples dans les réseaux de capteurs et la régression Bayésienne pénalisée. / In many problems, complex non-Gaussian and/or nonlinear models are required to accurately describe a physical system of interest. In such cases, Monte Carlo algorithms are remarkably flexible and extremely powerful to solve such inference problems. However, in the presence of high-dimensional and/or multimodal posterior distribution, standard Monte-Carlo techniques could lead to poor performance. In this thesis, the study is focused on Sequential Monte-Carlo Sampler, a more robust and efficient Monte Carlo algorithm. Although this approach presents many advantages over traditional Monte-Carlo methods, the potential of this emergent technique is however largely underexploited in signal processing. In this thesis, we therefore focus our study on this technique by aiming at proposing some novel strategies that will improve the efficiency and facilitate practical implementation of the SMC sampler. Firstly, we propose an automatic and adaptive strategy that selects the sequence of distributions within the SMC sampler that approximately minimizes the asymptotic variance of the estimator of the posterior normalization constant. Secondly, we present an original contribution in order to improve the global efficiency of the SMC sampler by introducing some correction mechanisms that allow the use of the particles generated through all the iterations of the algorithm (instead of only particles from the last iteration). Finally, to illustrate the usefulness of such approaches, we apply the SMC sampler integrating our proposed improvement strategies to two challenging practical problems: Multiple source localization in wireless sensor networks and Bayesian penalized regression.