La détection d’anomalies dans les signaux multivariés est une tâche de pre- mière importance dans de nombreuses disciplines (épidémiologie, finance, sciences cognitives et neuro-sciences, cancérologie etc). Dans cette optique, l’analyse topologique des données (TDA) offre une batterie d’invariants "de forme" qui peuvent être exploités pour la mise en ouvre d’un schéma de détection efficace. Notre contribution consiste à étendre les construc- tion présentées dans [5] sur la construction de complexes simpliciaux à partir des Signatures des signaux et leur capacités prédictives, plutôt que de l’utilisation d’une distance générique comme dans [12]. La théorie des Signatures est une nouvelle thématique en Machine Learning [3] issue des travaux récents sur les notions de Chemins Rugueux (Rough Paths) développés par Terry Lyons et son équipe [9] sur la base du formalisme introduit par Chen [2]. Nous explorons en particulier la détection des changements de topologie, sur la base du suivi de l’évolution de la persistance homologique et des nombres de Betti associés au complexe intro- duit dans [5]. Nous appliquons nos outils pour l’analyse de signaux cérébraux de type EEG afin de détecter des phénomènes précurseurs aux crises d’épilepsies.