Apprentissage statistique pour le signal : applications aux interfaces cerveau-machine

Les Interfaces Cerveau-Machine (ICM) necessitent l'utilisation de methodes d'apprentissage statistique pour la reconnaissance de signaux. Dans cette these, nous proposons une approche generale permettant d'integrer des connaissances a priori dans le processus d'apprentissage. Cette approche consiste a apprendre de maniere jointe le classifieur et la representation des donnees lors d'une optimisation unique. Nous nous sommes plus particulierement interesses a des problemes de selection de capteurs et proposons plusieurs termes de regularisation adaptes pour ces problemes. Notre premiere contribution est une methode d'apprentissage supervise de filtres: le filtrage vaste marge. Un filtrage maximisant la marge entre les echantillons est appris et permet de s'adapter automatiquement aux caracteristiques des signaux tout en restant interpretable. Une application ICM et une extension 2D du filtrage a ete realisee. La seconde contribution est une methode d'apprentissage multitâche parcimonieuse. Elle permet de selectionner de maniere jointe un ensemble de noyaux pertinents pour l'ensemble des tâches de classification. Des algorithmes efficaces ont ete proposes pour resoudre le probleme d'optimisation et des experimentations numeriques ont montre l'interet de l'approche. Finalement, la troisieme contribution est une application de l'apprentissage multitâche parcimonieux sur un ensemble de jeux de donnees ICM. Un terme de regularisation plus general permettant de promouvoir une similarite entre classifieurs est egalement propose. Les resultats numeriques ont montre qu'une reduction importante du temps de calibration peut etre obtenue grâce a l'apprentissage multitâche propose.