Les travaux de recherche menés dans le cadre de cette thèse portent sur la reconnaissance de visages par réseaux d’ondelettes de Gabor. Ce réseau est très utilisé pour la représentation d’image. Après une étape d’apprentissage, il reconstruit l’image en se basant sur un nombre défini d’ondelettes dont les paramètres ont été ajustés. L’originalité du travail se situe au niveau de l’utilisation de plusieurs images pour l’extraction de la signature d’un individu. Un algorithme d’apprentissage dédié a été développé de façon à prendre en compte plusieurs images et à en extraire une signature discriminante associée à un masque des confiances accordées aux pixels. Ce masque est construit en associant un coefficient d’importance à chaque ondelette. Ce coefficient est calculé en suivant et analysant l’évolution des paramètres des ondelettes au cours de l’apprentissage. Une étude comparative sur la base de données YaleFaces a montré qu’avec cette méthode la discrimination des individus est améliorée par rapport aux méthodes conventionnelles / This research work is oriented toward face recognition by Gabor Wavelet networks. This network has proved to be very efficient for image representation. It reconstructs, after a learning step, the image with a set of adapted wavelets. The originality of this work lies in the use of multiple images to extract the signature of an individual. A special learning algorithm was developed to use several images and extract a distinct signature, associated to a mask of significant pixels. This mask is built from coefficients of significance associated to each wavelet. The coefficients are calculated by analyzing the evolution of wavelet parameters during the learning step. A comparative study, on YaleFaces database, has shown that with this method face recognition is improved compared to conventional methods.

D'une manière générale, la biométrie a pour objectif d'identifier des individus, notamment à partir de leurs caractéristiques biologiques. Cette pratique tend à remplacer les méthodes traditionnelles de vérification d'identité des individus ; entre autres, les mots de passe et les codes de sécurité. Au quotidien, la biométrie trouve de vastes applications et la recherche de nouvelles méthodes biométriques est d'actualité. L'objectif de notre thèse consiste à développer et d'évaluer de nouvelles modalités biométriques basées sur des caractéristiques infalsifiables, ne pouvant être modifiées volontairement. Dans ce contexte, les signaux physiologiques sont pris en considération. Ainsi, nous avons proposé trois méthodes d'identification biométriques. La première méthode utilise l'électrocardiogramme (ECG) comme signature individuelle, alors que la deuxième est basée sur l'utilisation des signaux électromyographiques (EMG) de surface en réponse à une force d'intensité fixe. Enfin, la dernière technique explorée, utilise les réponses motrices obtenues suite à une stimulation électrique. Ces méthodes consistent d'abord à acquérir les signaux physiologiques chez des personnes saines. Ces signaux sont modélisés par des réseaux d'ondelettes afin d'en extraire des caractéristiques pertinentes. La phase d'identification automatique est effectuée par des réseaux de neurones. D'après les résultats obtenus suite à des expériences effectuées, les méthodes proposées conduisent à des performances d'identification intéressantes. La première méthode, utilisant le signal électro- cardiographique, permet d'obtenir un taux de reconnaissance de 92%, alors que l'identification par les signaux EMG, en réponse à une force d'une intensité fixe, permet une identification correcte à 80%. Enfin, une performance de 95% est obtenue par l'identification par réponse motrice. Pour ces trois techniques explorées, la robustesse par rapport au bruit à été étudiée / In general, biometrics aims to identify individuals from their biological characteristics. This practice tends to replace the traditional methods of identity verification of individuals, among others, passwords and security codes. Nowadays, biometrics found wide application and research of new biometric methods is topical. The objective of this thesis is to develop and evaluate new biometric methods based on tamper-proof characteristics that can not be changed voluntarily. In this context, the physiological signals are considered. Thus, we proposed three methods of biometric identification. The first method uses the electrocardiogram (ECG) as individual signature, while the second is based on the use of surface electromyography signals (EMG) in response to a force of fixed intensity. The final technique explored, uses the motor responses obtained after electrical stimulation. These methods consist first to acquire the physiological signals in healthy people. These signals are modeled by wavelets networks to extract relevant features. The identification phase is performed automatically by neural networks. According to the results obtained from experiments performed, the proposed methods lead to interesting performance identification. The first method, using the electro-cardiographic signal, achieves a recognition rate of 92%, while the identification by EMG signals, in response to a force of a fixed intensity, allows a correct identification of 80 %. Finally, a performance of 95% is obtained by identification by motor response. For these three techniques explored, the robustness to noise ratio was studied

Durant les dix dernières années, les réseaux de neurones à fonctions sigmoïdales ont connu de grands succès dans de nombreux domaines. Associés à des algorithmes d'apprentissage efficaces, ils constituent un puissant outil de modélisation non linéaire de processus, grâce à leur propriété d'approximation universelle parcimonieuse. Ce travail de thèse propose une mise en uvre de réseaux d'ondelettes, alternative possible aux réseaux de neurones, pour la modélisation statique et dynamique. Les ondelettes sont une famille de fonctions issues du traitement du signal et de l'image, dont il a été récemment montré qu'elles possèdent la propriété d'approximateur universel. La mise en uvre des réseaux d'ondelettes est effectuée suivant deux approches : - Approche fondée sur la transformée continue: les paramètres des fonctions sont à valeurs continues dans l'ensemble des nombres réels et peuvent donc être ajustés, comme ceux d'un réseau de neurones classique, à l'aide de méthodes de gradient. Nous proposons des réseaux et des algorithmes d'apprentissage pour la modélisation entrée-sortie et d'état. Les résultats obtenus sur des processus simulés et réel montrent que ces réseaux permettent d'obtenir des modèles de performance et de parcimonie équivalentes à celles des réseaux de neurones si des précautions de mise en uvre sont prises. - Approche fondée sur la transformée discrète: les paramètres des fonctions étant à valeurs discrètes, les apprentissages fondés sur des méthodes de gradient ne sont pas applicables. Nous proposons de construire des réseaux par sélection d'ondelettes dans une bibliothèque pré-établie. Cette procédure est également utilisée pour l'initialisation des paramètres des ondelettes avant leur apprentissage. Les résultats obtenus montrent que la procédure proposée confère à l'apprentissage une meilleure indépendance vis-à-vis de l'initialisation aléatoire des autres paramètres ajustables du réseau.

D'une manière générale, la biométrie a pour objectif d'identifier des individus, notamment à partir de leurs caractéristiques biologiques. Cette pratique tend à remplacer les méthodes traditionnelles de vérification d'identité des individus ; entre autres, les mots de passe et les codes de sécurité. Au quotidien, la biométrie trouve de vastes applications et la recherche de nouvelles méthodes biométriques est d'actualité. L'objectif de notre thèse consiste à développer et d'évaluer de nouvelles modalités biométriques basées sur des caractéristiques infalsifiables, ne pouvant être modifiées volontairement. Dans ce contexte, les signaux physiologiques sont pris en considération. Ainsi, nous avons proposé trois méthodes d'identification biométriques. La première méthode utilise l'électrocardiogramme (ECG) comme signature individuelle, alors que la deuxième est basée sur l'utilisation des signaux électromyographiques (EMG) de surface en réponse à une force d'intensité fixe. Enfin, la dernière technique explorée, utilise les réponses motrices obtenues suite à une stimulation électrique. Ces méthodes consistent d'abord à acquérir les signaux physiologiques chez des personnes saines. Ces signaux sont modélisés par des réseaux d'ondelettes afin d'en extraire des caractéristiques pertinentes. La phase d'identification automatique est effectuée par des réseaux de neurones. D'après les résultats obtenus suite à des expériences effectuées, les méthodes proposées conduisent à des performances d'identification intéressantes. La première méthode, utilisant le signal électro- cardiographique, permet d'obtenir un taux de reconnaissance de 92%, alors que l'identification par les signaux EMG, en réponse à une force d'une intensité fixe, permet une identification correcte à 80%. Enfin, une performance de 95% est obtenue par l'identification par réponse motrice. Pour ces trois techniques explorées, la robustesse par rapport au bruit à été étudiée

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.