L’électroencéphalographie est une technique d’enregistrement des signaux électriques du cerveau. Cet outil est intensivement utilisé dans le service de neurologie et de psychiatrie. L’analyse de l’activité cérébrale est une étape critique, qui apporte des informations sur les états émotionnel, mental et neurologique d’un patient.Un état d’anxiété légère ou sévère altère l’activité cérébrale d’un individu. Les changements qui peuvent se manifester lors d’un état d’anxiété sont détectables par l’analyse de l’activité cérébrale. C’est aussi le cas pour le diagnostic de l’épilepsie, qui repose essentiellement sur l’électroencéphalogramme, qui aide les neurologues à diagnostiquer l’épilepsie et appliquer le traitement adéquat. Plusieurs recherches ont montré l’efficacité les signaux EEG à refléter les changements émotionnels, mentaux et les problèmes neurologiques.La lecture des enregistrements EEG par l’expert du domaine est considérée comme un processus chronophage et fastidieux. L’automatisation de ce processus dans le but de détecter un état mental ou une maladie est de haute importance pour les neurologues. Les systèmes de reconnaissance intelligente, basée sur l’analyse de l’activité cérébrale, peuvent servir ainsi, pour les patients à domicile, à surveiller leur état, afin de se contrôler et d’avoir des préventions utiles.Nous avons suivi l’approche typique utilisée en neuroscience pour le diagnostic des troubles cérébraux reposant sur les signaux EEG. La première étape est la collecte des données physiologiques à l’aide d’un casque EEG, suivie par le prétraitement. L’étape d’extraction des caractéristiques est appliquée après le prétraitement. Cependant, les données sont modélisées afin d’en extraire les informations pertinentes. Les caractéristiques les plus puissantes sont sélectionnées pour passer à l’étape de classification.Etant donnée la nature des signaux EEG, qui sont réellement des séries temporelles, l’utilisation d’un réseau de neurones récurrents semble la manière la plus adéquate pour gérer ces signaux. Dans ce travail, trois contributions sont proposées, afin d’extraire une meilleure représentation des séries temporelles (pré-traitées et brutes) et de les classifier. Tout au long de ce travail, nous avons accentué la richesse des signaux EEG bruts, l’importance des méthodes d’apprentissage profond et l’importance de l’analyse des résultats, pour fournir aux médecins des modèles interprétables et affermir leur confiance en cette technologie. Tout concept lié à la détection du niveau d’anxiété, à la classification des types de crises ou bien à la prédiction des crises a été évoqué. En fait, la diversité des techniques de décomposition, d’apprentissage de caractéristiques et le domaine d’application rendent assez difficile notre contribution utilisant une nouvelle approche. De plus, la comparaison avec les travaux existants n’est pas aisée, vu que, dans chaque travail, un contexte bien défini a été considéré comme type d’expérimentation : modèle pour chaque participant ou modèle pour tous les participants, nombre de participants fixé, durée de l’expérimentation, nombre d’électrodes, et sélection des caractéristiques.Puisque l’extraction manuelle des caractéristiques est chronophage et nécessite un expert du domaine pour trouver la technique la plus convenable, l’apprentissage en profondeur a été proposé essentiellement pour faire l’apprentissage automatique des caractéristiques par le réseau de neurones. Dans les trois contributions, nous proposons une architecture basée sur l’apprentissage profond, suivi d’une étape d’interprétabilité du modèle créé. L’interprétabilité des résultats valorise le travail et donne des explications radicales aux médecins concernant le comportement caché du modèle. Pour comparer les techniques, nous avons aussi implémenté des méthodes basées sur l’extraction manuelle des caractéristiques.