Introduction Les méthodes de détection automatique des crises, basées sur la détection des mouvements, sont efficaces pour les crises convulsives, mais médiocres pour les crises non convulsives. L’ECG pourrait être pertinent. Objectifs Explorer la détection des crises par analyse de l’ECG et variabilité de la fréquence cardiaque (VFC) grâce à des algorithmes de machine learning (ML) sur une cohorte prospective multicentrique. Méthodes Des vidéo-EEG de 24 heures comportant ≥ 1 crise ont été analysées rétrospectivement. L’ECG en a été extrait pour calculer différents paramètres de VFC : FC, RMSSD, SDNN, CSI, HFVI, VLT, VCT, LF/HF, qualité du signal, sur des périodes de 5 minutes. Différents algorithmes de ML ont été appliqués pour distinguer les époques avec ou sans crise. Nous avons également testé les algorithmes en fonction du type de crise (non convulsive) et de l’état de vigilance. Résultats Nous avons inclus 129 patients avec 313 crises (255 non convulsives). Les algorithmes Extra Trees et Random Forest ont obtenu les meilleurs résultats : sensibilité de 83 %, spécificité de 82 % pour l’ensemble de la cohorte. Selon le type de crises, crises non convulsives vs convulsives : sensibilité 83 vs 94 %, spécificité 82 vs 89 %. Sommeil vs veille : sensibilité 93 vs 88 %, spécificité 97 vs 87 %. Discussion Nous montrons, sur la plus grande cohorte à ce jour, que l’analyse de l’ECG permet de détecter les crises, convulsives et non convulsives, avec une bonne sensibilité, en utilisant des outils de machine learning. Néanmoins, la spécificité laisse suggérer un taux élevé de fausses alarmes, nécessitant de coupler l’ECG à d’autres paramètres biologiques (accélérométrie, activités EMG et électrodermale…). Conclusion L’ECG est un signal pertinent à intégrer dans des outils de machine learning pour la détection des crises, convulsives ou non, mais doit être couplé à d’autres signaux biologiques.