CONTEXTE :Les détecteurs automatisés unicanal de spindles humains sur EEG du sommeil sont aveugles à la présence de spindles dans les autres canaux enregistrés, contrairement à l’annotation visuelle effectuée par un expert humain.NOUVEAU MÉTHODE :Nous proposons une méthode de détection multicanal de spindles visant à identifier à la fois l’activité de spindles globale et locale dans les enregistrements EEG du sommeil humain. En s’appuyant sur un modèle non linéaire du signal, supposant que l’EEG d’entrée résulte de la somme d’un composant transitoire et d’un composant oscillatoire, nous introduisons un algorithme de séparation multicanal des composants transitoires. Les blocs consécutifs et chevauchants du composant oscillatoire sont supposés être de faible rang, tandis que le composant transitoire est supposé être par morceaux constant avec une valeur de référence nulle. Le composant oscillatoire estimé est ensuite combiné à un filtre passe-bande et à l’opérateur de Teager afin de détecter les spindles du sommeil.RÉSULTATS ET COMPARAISON AVEC D'AUTRES MÉTHODES :La méthode proposée a été appliquée à deux bases de données publiques et comparée à sept détecteurs automatisés unicanal existants. Les scores F1 moyens obtenus par la méthode proposée s’établissent à 0,66 (0,02) et 0,62 (0,06) respectivement pour les deux bases de données. Pour un enregistrement nocturne d’EEG sur 6 canaux, l’algorithme nécessite environ 4 minutes pour détecter simultanément les spindles sur tous les canaux, avec une seule configuration des paramètres algorithmiques.CONCLUSIONS :La méthode proposée vise à imiter et à exploiter, pour une détection améliorée des spindles, un comportement particulier des experts humains : la décision de marquer un événement de spindle peut être inconsciemment influencée par la présence de spindles dans des canaux EEG autres que le canal central visible à l’écran numérique.