Cette thèse a exploré deux aspects importants de l'épilepsie à travers des techniques avancées d'analyse de signaux. La première partie du travail s'est concentrée sur l'analyse des altérations du signal ECG pendant la période pré-ictale, dans le but d'établir un modèle automatisé fiable pour prédire les crises épileptiques. En utilisant l'écart type (STD) comme opérateur statistique appliqué aux caractéristiques calculées de la variabilité de la fréquence cardiaque (HRV), nous avons employé dans cette partie une technique de seuillage pour quantifier et prédire les crises épileptiques dans les signaux ECG pré-ictaux. Pour évaluer la performance de prédiction de l'approche proposée, des données ECG provenant de deux bases de données publiques ainsi qu'une base de données local comprenant 31 patients épileptiques ont été utilisées. De plus, l'algorithme de Mann-Whitney U a été utilisé pour étudier les disparités entre les signaux ECG des populations épileptiques et saines. En outre, nous avons exploré la corrélation entre les activités cérébrales et cardiaques en exploitant des approches validées de prédiction EEG-ECG.La deuxième partie de ce travail a exploré la connectivité causale dynamique entre les signaux EEG et ECG chez les patients atteints d'épilepsie du lobe temporal, en mettant l'accent sur les analyses temporelles et fréquentielles pendant les périodes pré-ictale et inter-ictale. En utilisant l'analyse de causalité de Granger, la recherche a identifié des relations causales significatives bidirectionnelles, mettant particulièrement en évidence l'effet causal robuste de l'EEG sur l'ECG. Ces résultats ouvrent des perspectives précieuses sur les interactions complexes entre les signaux cérébraux et cardiaques dans la TLE, soulignant la nature dynamique de ces relations