Analog-to-feature (A2F) conversion based on non-uniform wavelet sampling (NUWS) has demonstrated the ability to reduce energy consumption in wireless sensors while employed for electrocardiogram (ECG) anomaly detection. The technique involves extracting only relevant features for a given task directly from analog signals and conducting classification in the digital domain. Building on this approach, we extended the application of the proposed generic A2F converter to address a human activity recognition (HAR) task. The performed simulations include the training and evaluation of neural network (NN) classifiers built for each application. The corresponding results enabled the definition of valuable features and the hardware specifications for the ongoing complete circuit design. One of the principal elements constituting the developed converter, the integrator brought from the state-of-the-art design, was modified and simulated at the circuit level to meet our requirements. The revised value of its power consumption served to estimate the energy spent by the communication chain with the A2F converter. It consumes at least 20 and 5 times less than the chain employing the Nyquist approach in arrhythmia detection and HAR tasks, respectively. This fact highlights the potential of A2F conversion with NUWS in achieving flexible and energy-efficient sensor systems for diverse applications.

Vers des capteurs intelligents sans fil flexibles et à faible consommation : convertisseur analogique-paramètre reconfigurable pour les applications dans le domaine de la santé: La croissance démographique et le vieillissement actuels augmentent le taux de maladies chroniques, principale cause mondiale de décès. Les réseaux corporels sans fil (WBANs), composés de capteurs intelligents portables ou implantables, sont la principale solution pour les systèmes de soins de santé proactifs réduisant le fardeau de ces maladies. Or, ces réseaux sont limités en termes de consommation d'énergie et de débit de données, surtout dans le cas des capteurs biopotentiels et inertiels avec une acquisition continue des signaux. La réduction de la quantité de données collectées et envoyées, améliorant l'autonomie des capteurs, est possible dans les applications de classification. Ainsi, cette thèse vise à concevoir un convertisseur analogique-paramètre (A2F) reconfigurable qui extrait uniquement les paramètres pertinents pour une tâche donnée dans le domaine analogique au sein du capteur et qui classifie ensuite au niveau du capteur ou de l'agrégateur. Basé sur l'échantillonnage non-uniforme en ondelettes (NUWS), le convertisseur s'appuie sur une architecture générique pour s'adapter à différents signaux basse fréquence et permettre des WBANs avec des capteurs multimodaux. Pour prouver l'universalité du convertisseur, nous abordons la détection d'anomalies dans les signaux d'électrocardiogramme (ECG) et la reconnaissance des activités humaines (HAR) dans les signaux inertiels. Après l'entraînement des classificateurs de réseaux neuronaux pour chaque application, nous avons défini les paramètres pertinents et les spécifications matérielles requises pour la conception complète du circuit. Grâce à la simulation circuit du convertisseur, nous pouvons montrer que la consommation énergétique estimée est divisée par 20 pour l'ECG et 5 pour HAR par rapport à l'approche de Nyquist. Cela souligne le potentiel de la conversion A2F avec NUWS dans la réalisation de systèmes de capteurs flexibles, fiables et à faible consommation pour les soins de santé et au-delà.