L’extraction de segments temporels informatifs et significatifs à partir de données haute dimensionnelles provenant de capteurs portables, de dispositifs intelligents ou de données IoT constitue une étape préalable essentielle dans des applications telles que la reconnaissance des activités humaines (HAR), la prédiction de trajectoires, la reconnaissance des gestes ou encore la création de journaux de vie (lifelogging). Dans cet article, nous proposons ESPRESSO (Entropy and ShaPe awaRe timE-Series SegmentatiOn), un modèle hybride de segmentation pour séries temporelles multidimensionnelles, conçu pour exploiter à la fois les propriétés d’entropie et de forme temporelle des séries temporelles. Contrairement aux méthodes existantes qui se concentrent exclusivement sur certaines propriétés statistiques ou temporelles spécifiques, ESPRESSO intègre une approche plus globale. Dans le cadre du développement du modèle, nous introduisons une nouvelle représentation temporelle des séries temporelles, notée $WCAC$WCAC, ainsi qu’une méthode de recherche gloutonne permettant d’estimer les segments à partir d’un métrique d’entropie. Les expérimentations montrent que ESPRESSO surpassait quatre méthodes de pointe sur sept jeux de données publics issus de capteurs portables et sans contrainte. Par ailleurs, nous menons une analyse approfondie de ces jeux de données afin d’évaluer la performance d’ESPRESSO et de ses composantes selon diverses caractéristiques des données. Enfin, nous présentons deux études de cas intéressantes illustrant comment l’application d’ESPRESSO peut faciliter l’inférence des routines quotidiennes et l’évaluation de l’état émotionnel des individus.