L'objectif de cet article en deux parties est de montrer comment le couple (SAGA3, ACM), c'est-à-dire un Système d'Analyse Gestuelle Automatique en 3 dimensions et une Analyse des Correspondances Multiples peut contribuer à l'étude des gestes, en maintenant l'aspect intrinsèquement multivariable et temporel des données. SAGA3 est un système vidéo-informatique fournissant les positions tridimensionnelles de marqueurs. Il est basé sur l'utilisation de caméras (2 à 8) et de modules matériels et logiciels pour le traitement d'images. Dans cette première partie, l'ACM et l'ACP (Analyse en Composantes Principales) sont comparées sur un exemple didactique illustrant un signal multidimensionnel. De plus, différents codages pour chaque méthode sont étudiés : découpages classique et flou avec l'ACM et utilisation de variables réduites ou non avec l'ACP. La comparaison est effectuée en termes de durée et de possibilité à faire apparaître des résultats en accord avec les phénomènes statistiques introduits dans les données. Si pour le premier aspect l'avantage est nettement en faveur de l'ACP (50 % de temps en moins), l'ACM permet de mieux rendre compte de relations complexes et de la présence de classes dans le signal. Diverses simulations de perturbation de données sont ensuite effectuées afin de mettre en exergue l'aptitude de l'ACM à rapidement montrer les données aberrantes.

The aim of this two-part-paper is to show how the pair (SAGA3, MCA), namely a three-dimension automatic motion analysis system and a multiple correspondence analysis, can contribute to motion analysis, while keeping both multivariate and time aspects which are intrinsic to movements. SAGA3 is a video-computer system giving three-dimensional positions of markers. SAGA3 is based on cameras (2–8) and hardware and software elements for the image processing. In this part I, MCA and PCA (Principal Component Analysis) are compared using a didactic example illustrating a multidimensional signal. Furthermore, different coding techniques for each method are studied: crisp and fuzzy windowing with MCA and standardised and non-standardised variables with PCA. The comparison is performed is terms of duration and possibility to make results emerge in relation to the statistical phenomena introduced in the data. If the duration is lower with PCA than with MCA (about 50%), MCA sounds better to show complex relational phenomena and classes. Some perturbation simulations are then performed in order to line out the possibility of MCA to show outliers.