Le syndrome d'apnées du sommeil (SAS) est l'un des troubles respiratoires nocturnes les plus fréquents. Malgré une prévalence mondiale élevée, il demeure largement sous-diagnostiqué. Dans ce contexte, des approches alternatives de diagnostic ont été proposées, s'appuyant sur des signaux tels que l'électrocardiogramme (ECG). L'objectif de cette thèse est d'explorer l'apport des modalités cliniques et physiologiques dérivées de l'ECG en vue de développer un outil de diagnostic du SAS reposant sur des méthodes d'apprentissage automatique robustes, indépendamment du profil clinique des patients. Ce travail a fait l'objet de plusieurs contributions. La première consiste en la constitution d'un jeu de données élargi, dérivé de la base de données STAGES (National Sleep Research Resource), reflétant davantage la diversité clinique des profils de patients. La deuxième repose sur l'évaluation comparative des modèles existants sur ce nouveau jeu de données et celui de référence (Apnea-ECG de PhysioNet), montrant les limites de généralisation des approches actuelles face à des données plus hétérogènes. Ainsi, la troisième contribution porte sur l'intégration des données cliniques dans le processus d'apprentissage. Les variations de caractéristiques physiologiques extraites de l'ECG sont d'abord analysées en fonction des profils cliniques, montrant des différences physiopathologiques marquées. Puis, l'apport de mécanismes de fusion entre données physiologiques et cliniques au sein de modèles d'apprentissage profond est évalué. Enfin, un modèle basé sur des méthodes d'ensemble et probabilistes, a permis d'obtenir des premiers résultats prometteurs sur la base de données élargie.

La fiabilité et la sécurité des véhicules connectés et autonomes dépendent fortement de leur capacité à connaître en temps réel leur état dynamique : position, vitesse, accélération, forces, ou encore état des véhicules voisins. Cependant, l'utilisation de capteurs très précis reste souvent coûteuse, et les véhicules restent exposés à des défauts de capteurs ainsi qu'à des cyberattaques sur les communications V2V/V2I. Pour répondre à ces défis, cette thèse propose un cadre de capteur logiciel résilient, basé sur la redondance analytique. L'idée est d'exploiter des modèles mathématiques, enrichis par des réseaux de neurones neuro-adaptatifs, afin d'estimer les informations critiques même lorsque certaines mesures sont manquantes, bruitées ou compromises. Les contributions principales portent sur trois axes. Premièrement, des observateurs sont développés pour détecter et reconstruire des cyberattaques dans les systèmes de conduite coopérative, notamment les injections de fausses données, les pertes de paquets et les retards de communication. Deuxièmement, un cadre d'estimation distribuée est proposé pour les problématiques de peloton et de suivi de véhicules, avec un mécanisme de confiance permettant de filtrer les informations non fiables. Troisièmement, les observateurs hybrides neuronaux sont appliqués à l'estimation des forces inconnues et des dynamiques complexes du véhicule, en particulier pour des enjeux de sécurité comme la prévention du renversement. Enfin, un prototype de carte électronique embarquée est développé afin de préparer le déploiement futur de ces algorithmes sur des véhicules réels. L'objectif global est de proposer une solution robuste, économique et évolutive pour améliorer la sûreté et l'autonomie des véhicules de nouvelle génération.