Identifier plus rapidement et plus précisément le mécanisme d’action thérapeutique d’un médicament est un enjeu primordial dans le monde de la santé, de la biologie et de l’industrie pharmaceutique. C’est ce mécanisme d’action qui va permettre de caractériser un médicament. L’émergence des technologies de mesure en temps-réel sur des cultures cellulaires, comme l’impédancemétrie, permet d’obtenir une information plus complète sur la cinétique des réponses cellulaires à un traitement donné. Ces outils sont très adaptés aux études de criblage et fournissent des données en masse. L’objectif est, alors, de classer automatiquement les réponses en fonction de leur cinétique dans des classes de réponses près établies par les biologiques. Entre d’autre terme, il faut classer les nouvelles molécules par critère de ressemblance avec des molécules déjà connues. Résumer les signaux par une grandeur scalaire telle qu’une aire sous la courbe, une énergie ou encore une variance temporelle entraînerait une grande perte d’information, pouvant causer une injectivité de signaux ne comportant pas la même cinétique. Au contraire classer directement les signaux à partir de l’ensemble des points de mesure, entraînerait une sur-paramétrisation du classifieur due à la forte corrélation entre l’ensemble des points de mesures successifs au sein d’un signal. L’idée est alors de trouver une paramétrisation parcimonieuse permettant au classifieur d’avoir un faible taux d’erreur de classification. Pour ce faire, une nouvelle méthode de paramétrisation de nos signaux a été développée avec une adaptation de l’algorithme de l’analyse spectrale singulière (SSA) pour la reconnaissance de forme. Cette méthode a permis d’augmenter le taux de reconnaissance du classifieur séparateur à vaste marge (SVM).