Aujourd'hui, le contrôle des procédés de fabrication est une tâche essentielle pour assurer une production de haute qualité. A la fin du processus de fabrication du semi-conducteur, un test électrique, appelé test paramétrique (PT), est effectuée. PT vise à détecter les plaques dont le comportement électrique est anormal, en se basant sur un ensemble de paramètres électriques statiques mesurées sur plusieurs sites de chaque plaque. Le but de ce travail est de mettre en place un système de détection dynamique au niveau de PT, pour détecter les plaques anormales à partir d'un historique récent de mesures électriques. Pour cela, nous développons un système de détection en temps réel basé sur une technique de réapprentissage optimisée, où les données d'apprentissage et le modèle de détection sont mis à jour à travers une fenêtre temporelle glissante. Le modèle de détection est basé sur les machines à vecteurs supports à une classe (1-SVM), une variante de l'algorithme d'apprentissage statistique SVM largement utilisé pour la classification binaire. 1-SVM a été introduit dans le cadre des problèmes de classification à une classe pour la détection des anomalies. Pour améliorer la performance prédictive de l'algorithme de classification 1-SVM, deux méthodes de sélection de variables ont été développées. La première méthode de type filtrage est basé sur un score calculé avec le filtre MADe,une approche robuste pour la détection univariée des valeurs aberrantes. La deuxième méthode de type wrapper est une adaptation à l'algorithme 1-SVM de la méthode d'élimination récursive des variables avec SVM (SVM-RFE). Pour les plaques anormales détectées, nous proposons une méthode permettant de déterminer leurs signatures multidimensionnelles afin d'identifier les paramètres électriques responsables de l'anomalie. Finalement, nous évaluons notre système proposé sur des jeux de données réels de STMicroelecronics, et nous le comparons au système de détection basé sur le test de T2 de Hotelling, un des systèmes de détection les plus connus dans la littérature. Les résultats obtenus montrent que notre système est performant et peut fournir un moyen efficient pour la détection en temps réel. / Nowadays, control of manufacturing process is an essential task to ensure production of high quality. At the end of the semiconductor manufacturing process, an electric test, called Parametric Test (PT), is performed. The PT aims at detecting wafers whose electrical behavior is abnormal, based on a set of static electrical parameters measured on multiple sites of each wafer. The purpose of this thesis is to develop a dynamic detection system at PT level to detect abnormal wafers from a recent history of electrical measurements. For this, we develop a real time detection system based on an optimized learning technique, where training data and detection model are updated through a moving temporal window. The detection scheme is based on one class Support Vector Machines (1-SVM), a variant of the statistical learning algorithm SVM widely used for binary classification. 1-SVM was introduced in the context of one class classification problems for anomaly detection. In order to improve the predictive performance of the 1-SVM classification algorithm, two variable selection methods are developed. The first one is a filter method based on a calculated score with MADe filter, a robust approach for univariate outlier detection. The second one is of wrapper type that adapts the SVM Recursive Feature Elimination method (SVM-RFE) to the 1-SVM algorithm. For detected abnormal wafers, we propose a method to determine their multidimensional signatures to identify the electrical parameters responsible for the anomaly. Finally, we evaluate our proposed system on real datasets of STMicroelecronics and compare it to the detection system based on Hotelling's T2 test, one of the most known detection systems in the literature. The results show that our system yields very good performance and can provide an efficient way for real-time detection.

Les BTEX est une famille de polluants très répandue en air intérieur. Ils présentent des effets nocifs sur la santé humaine à des faibles concentrations ce qui a emmené le législateur à fixer des seuils afin de limiter l'exposition des gens. L'objectif de ce travail de recherche est de développer et de mettre en place une méthode analytique sensible, précise et rapide basée sur un dispositif de mesure. Le dispositif ainsi mis en place est un chromatographe en phase gazeuse miniaturisé équipé d'un mini détecteur à photo ionisation dédié à la détection des BTEX en temps quasi-réel. Le système analytique est très portable ayant une consommation gazeuse très faible assurant une autonomie élevée sur de longues durées. Son mode de fonctionnement se base sur l'échantillonnage de l'air dans une boucle connecté à une vanne six voies. L'injection de l'échantillon sur une colonne analytique placée dans un four pour la séparation est assurée par le changement de la position de la vanne avant la détection par photo ionisation. Le nouveau dispositif miniaturisé a été déployé lors de deux campagnes intensives menées dans un collège énergétiquement performant. Cette étude a porté sur la surveillance temporelle de la concentration des polluants présents en air intérieur, y compris les BTEX. Les résultats ainsi obtenus pour les BTEX avec notre dispositif ont été comparés à ceux fournis par d'autres techniques dites techniques de référence. Ces campagnes de terrain ont permis donc de valider les performances analytiques, la robustesse et l'autonomie de cette nouvelle méthodologie. / BTEX are very widespread indoor air pollutants. Their harmful effects on human health had led the legislator to set thresholds in order to limit the population exposure. The aim of this thesis is to develop a sensitive, accurate and fast analytical method based on a measurement device. Therefore, the device implemented is a miniaturized gas chromatography (GC) equipped with a mini photo ionization detector dedicated to BTEX detection in indoor air in near-real time. The miniaturized GC is very portable with a very low gas consumption which enhances its autonomy over a long period. Its operation mode is based on air sampling inside a sample loop which is connected to a six port valve. The injection over a heated analytical column is ensured by switching the valve position before detection by a photo ionization detector. This novel device was used in real conditions during two field campaigns conducted in an energy efficient college. This study focused on the temporal monitoring of indoor air pollutant concentrations including BTEX. The results obtained with our miniaturized device for BTEX were compared to those given by other techniques known as reference techniques. These field campaigns have therefore enabled us to validate the analytical performances, the robustness and the autonomy of this novel analytical method.

Yes / Background: Tuberculosis (TB) is the highest-mortality infectious disease in the world and the main cause of death related to antimicrobial resistance, yet its surveillance is still paper-based. Rifampicin-resistant TB (RR-TB) is an urgent public health crisis. The World Health Organization has, since 2010, endorsed a series of rapid diagnostic tests (RDTs) that enable rapid detection of drug-resistant strains and produce large volumes of data. In parallel, most high-burden countries have adopted connectivity solutions that allow linking of diagnostics, real-time capture, and shared repository of these test results. However, these connected diagnostics and readily available test results are not used to their full capacity, as we have yet to capitalize on fully understanding the relationship between test results and specific rpoB mutations to elucidate its potential application to real-time surveillance. Objective: We aimed to validate and analyze RDT data in detail, and propose the potential use of connected diagnostics and associated test results for real-time evaluation of RR-TB transmission. Methods: We selected 107 RR-TB strains harboring 34 unique rpoB mutations, including 30 within the rifampicin resistance–determining region (RRDR), from the Belgian Coordinated Collections of Microorganisms, Antwerp, Belgium. We subjected these strains to Xpert MTB/RIF, GenoType MTBDRplus v2.0, and Genoscholar NTM + MDRTB II, the results of which were validated against the strains’ available rpoB gene sequences. We determined the reproducibility of the results, analyzed and visualized the probe reactions, and proposed these for potential use in evaluating transmission. Results: The RDT probe reactions detected most RRDR mutations tested, although we found a few critical discrepancies between observed results and manufacturers’ claims. Based on published frequencies of probe reactions and RRDR mutations, we found specific probe reactions with high potential use in transmission studies: Xpert MTB/RIF probes A, Bdelayed, C, and Edelayed; Genotype MTBDRplus v2.0 WT2, WT5, and WT6; and Genoscholar NTM + MDRTB II S1 and S3. Inspection of probe reactions of disputed mutations may potentially resolve discordance between genotypic and phenotypic test results. Conclusions: We propose a novel approach for potential real-time detection of RR-TB transmission through fully using digitally linked TB diagnostics and shared repository of test results. To our knowledge, this is the first pragmatic and scalable work in response to the consensus of world-renowned TB experts in 2016 on the potential of diagnostic connectivity to accelerate efforts to eliminate TB. This is evidenced by the ability of our proposed approach to facilitate comparison of probe reactions between different RDTs used in the same setting. Integrating this proposed approach as a plug-in module to a connectivity platform will increase usefulness of connected TB diagnostics for RR-TB outbreak detection through real-time investigation of suspected RR-TB transmission cases based on epidemiologic linking. / KCN was supported by Erasmus Mundus Joint Doctorate Fellowship grant 2016-1346, and BCdJ, LR, and CJM were supported by European Research Council-INTERRUPTB starting grant 311725.