Lien vers le GitHub contenant tous les outils programmés dans le cadre du mémoire : https://github.com/neurok8050/eda-optimisation-processing-tool / L’activité électrodermale (EDA), particulièrement la skin conductance response (SCR), est un signal psychophysiologique fréquemment utilisé en recherche en psychologie et en neuroscience cognitive. L’utilisation de l’EDA entraîne son lot de défis particulièrement son prétraitement. En effet, encore très peu de recherches effectuent un prétraitement adéquat. Notre objectif est donc de promouvoir l’utilisation du prétraitement du signal SCR et de proposer des recommandations pour les chercheurs en fournissant des données sur l’impact du prétraitement sur la capacité à discriminer les SCR entre deux conditions expérimentales. En utilisant des travaux similaires, nous avons testé les effets de combinaisons de prétraitement utilisant différentes méthodes de filtrage, différentes méthodes de remise à l’échelle, l’inclusion d’une étape de détection automatique des artefacts de mouvement et en utilisant différentes métriques opérationnalistes (le peak-scoring (PS) et l’aire sous la courbe (AUC)) et d’approches par modèle. Enfin, nous avons testé si une seule combinaison de filtrage pourrait être utilisée avec différents jeux de données ou si le prétraitement devrait plutôt être ajusté individuellement à chaque jeu de données. Nos résultats suggèrent que 1) l’inclusion d’une étape de détection automatique des artefacts de mouvements n’affecte pas significativement la capacité à discriminer entre deux conditions expérimentales, 2) l’approche par modèle semble être un peu meilleure à discriminer entre deux conditions expérimentales et 3) la meilleure combinaison de prétraitement semble variée en fonction du jeu de données utilisé. Les données et outils présentés dans ce mémoire devraient permettre de promouvoir et faciliter le prétraitement du signal SCR. / Electrodermal activity (EDA), particularly the skin conductance response (SCR) is a psychophysiological signal frequently used in research in psychology and in cognitive neuroscience. Nevertheless, using EDA comes with some challenges notably in regard to its preprocessing. Indeed, very few research teams adequately preprocess their data. Our objective is to promote the implementation of SCR preprocessing and to offer some recommendations to researchers by providing some data on the effect of preprocessing on the SCR ability to discriminate between two experimental conditions. Based on similar work, we have tested the effect of preprocessing combinations using different filtering methods, different rescaling methods, the inclusion of an automatic motion detection step while using different operationalist metrics (peak-scoring (PS) and area under the curve (AUC)) and different model-based approach metrics. Finally, we tested if only one combination could be used across different datasets or if the preprocessing should be optimized individually to each dataset. Our results show that 1) the inclusion of the automatic motion detection step did not significantly impact the ability to discriminate between two experimental conditions, 2) the model-based approach seems to be slightly better at discriminating between two experimental conditions and 3) the best combination of preprocessing seems to vary between different datasets. The data and tools presented in this master thesis should promote and facilitate SCR signal preprocessing.