Ce travail est centré sur le fonctionnement précoce des bébés autistes, encore mal connu. Notre étude développementale des films familiaux montre qu'ils manquent d'intérêt pour autrui dès la 1e année mais un évitement actif n'apparaît que la 2e année. Il y aurait donc une dynamique aboutissant au "déficit" relationnel final (passant peut-être par un défaut d'intersubjectivité). Pour comprendre cette dynamique, nous avons pris en compte à l'aide de méthodes computationnelles la synchronie parents-bébé sur des films familiaux: les bébés ont un déficit très précoce en orientation vers l'autre puis en "intersubjectivité"; les parents répondent normalement à leur bébé, mais le sollicitent plus intensément dès le premier semestre. Mais le déficit relationnel du bébé a-t-il des répercussions affectives sur ses parents ? Le mamanais (IDS) marque l'émotion dans l'interaction; pris dans une boucle interactive, il stimule à la fois l'engagement social et le développement cognitif (attention, langage). Soutient-il les interactions du bébé autiste ? Décroît-il au fil du temps du fait du dysfonctionnement interactif (manque d'intérêt pour autrui et défaut d'intersubjectivité)? Un algorithme détectant l'IDS a été créé et appliqué à une étude pilote avant d'étudier l'ensemble de nos films. Les premiers résultats, à confirmer, suggèrent que l'IDS soutient efficacement l'interaction du bébé autiste, mais l'efficacité de l'IDS maternel (et non paternel) pourrait chuter au fil du temps. En conclusion, nous avons apporté des bases à l'étude dynamique des interactions des bébés autistes avec leurs parents, en vue d'approcher les processus menant au tableau final.

Cette thèse se situe à la frontière des domaines de la reconnaissance de signaux émotionnels et de l'analyse de l'interaction sociale. Dans un premier temps, nous avons étudié une émotion non prototypique, appelée motherese, qui joue un rôle important dans l'interaction parent-enfant. Afin d'étudier cette émotion, nous avons développé un système de détection automatique des émotions basé d'abord sur l'apprentissage supervisé. Ensuite pour pallier au manque de données étiquetées, nous avons développé une approche semi-supervisée permettant une meilleure qualité de classification avec un coût inférieur. Cette approche permet de combiner des exemples étiquetés et non étiquetés pour l'apprentissage. Le système proposé est une extension de l'algorithme de co-apprentissage. Cette approche est dite multi-vue car elle consiste à combiner différentes vues (descripteur+classifieur) afin d'obtenir une prédiction unique par exemple de test. Au-delà de la reconnaissance de signaux émotionnels, il s'agit de structurer et d'interpréter les différents signaux de communication dans un contexte d'interaction face à face. Nous avons proposé un modèle computationnel de l'interaction parent-enfant. Il consiste à modéliser les réponses des enfants par rapport aux stimulations des parents. Nous avons proposé ainsi des analyses quantitative et statistique afin d'étudier l'interdépendance des signaux d'interaction et les comportements humains, en particulier le rôle de motherese pour l'engagement de l'interaction parent-enfant. Enfin, dans le but d'identifier les groupes de comportements les plus pertinents, nous avons développé une technique de regroupement automatique de signaux qui permet d'extraire les différents patterns interactifs. Cette extraction de comportements interactifs permet de discriminer différents groupes: enfants avec développement typique, autistique et avec retard mental.