Objectif : L’épilepsie est l’un des troubles neurologiques les plus courants, caractérisée par des crises récurrentes imprévisibles dues à des décharges neuronales excessives. En fonction de la localisation, l’intensité et la propagation des décharges ictales, les crises peuvent s’accompagner de signes et de symptômes divers tels qu’une altération de l’état de conscience, mouvements tonico-cloniques et variations du rythme cardiaque. Les crises non contrôlées augmentent le risque de blessures, et même le risque de mort subite inattendue en épilepsie. Une intervention rapide pourrait minimiser les complications et réduire le risque de mortalité lié aux crises. Les objets connectés capables de détecter les crises d’épilepsie pourraient offrir une solution précieuse pour assurer une surveillance continue des patients vivant avec l’épilepsie. L’objectif de cette étude était de développer et d’évaluer un système de détection automatique des crises focales à bilatérales tonico-cloniques (FBTCS) avec un chandail multimodal connecté. Méthodes : En utilisant le chandail connecté Hexoskin, nous avons collecté les données d’électrocardiogramme et d’accélération chez les patients avec épilepsie admis à l’unité de monitoring d’épilepsie du Centre Hospitalier de l’Université de Montréal (CHUM). Nous avons développé un système automatisé pour analyser les enregistrements continus. Nous avons ensuite entraîné un algorithme d’apprentissage automatique pour détecter automatiquement les FBTCS. Nous avons validé les performances à l’aide d’une approche de validation croisée imbriquée. Résultats : Nous avons enregistré 66 crises FBTCS chez 42 patients qui ont porté le chandail connecté pendant un total de 8067 heures. L’algorithme de détection des crises a atteint une sensibilité de 84.8%, avec un taux médian de fausses alarmes de 0.55/24h. L’aire sous la courbe caractéristique opérationnelle du récepteur (ROC-AUC) était de 0.90 (IC à 95% : 0.88 - 0.91). Conclusion : Nous proposons le premier système basé sur un chandail connecté pour la détection des FBTCS. Notre étude montre des résultats prometteurs en utilisant une approche rétrospective dans un environnement hospitalier. Des études prospectives sont nécessaires pour valider les résultats dans un environnement résidentiel en utilisant un algorithme de détection des crises en temps réel. / Objective: Epilepsy is one of the most common neurological disorders, characterized by recurrent unpredictable seizures due to excessive neuronal discharges. Depending on the location, intensity and propagation of the ictal discharge, seizures may be accompanied by various symptoms and signs such as impaired awareness, involuntary tonic-clonic movements, and abnormal heart rate changes. Uncontrolled seizures increase the risk for seizure-related injuries and even the risk for sudden unexpected death in epilepsy. Rapid intervention could potentially reduce seizure-related complications and mortality risk. Wearable devices capable of detecting epileptic seizures could provide a valuable solution for the continuous monitoring of patients with epilepsy. The aim of this study was to develop and evaluate an automated system for the detection of focal to bilateral tonic-clonic seizures (FBTCS) using a novel multimodal connected shirt. Methods: We used the Hexoskin connected shirt to collect electrocardiogram and accelerometry data from patients with epilepsy admitted to the epilepsy monitoring unit of University of Montreal Hospital Centre (CHUM). We developed an automated system to analyze continuous recordings. Then, we trained a machine learning algorithm to automatically detect FBTCS. We validated the performances using a nested cross-validation approach. Results: We recorded 66 FBTCS from 42 patients who wore the connected shirt during a total of 8067 hours. The seizure detection algorithm reached a sensitivity of 84.8%, with a median false alarm rate of 0.55/24h. The area under the receiver operating characteristic curve (ROC-AUC) was 0.90 (95% CI: 0.88 - 0.91). Conclusion: We propose the first shirt-based system for the detection of FBTCS. Our study shows promising findings with a retrospective approach in a hospital setting. Prospective studies are required to validate the findings in a residential setting using a real-time online seizure detection algorithm.