La difficulté des modèles d'apprentissage automatique existants pour l'adaptation inter-domaines des données de séries chronologiques médicales réside dans la complexité des dépendances temporelles et les variations dynamiques de la distribution. Dans cet article, nous proposons un cadre d'apprentissage contrastif multi-vues qui intègre des modèles temporels, une dynamique dérivée et des caractéristiques fréquentielles. Grâce à des encodeurs indépendants et à un mécanisme de fusion hiérarchique, nous apprenons des représentations invariantes, transférables entre domaines, tout en préservant la cohérence temporelle. Les résultats expérimentaux obtenus sur divers ensembles de données médicales tels que l'EEG, l'ECG et l'EMG montrent que la méthode proposée surpasse les méthodes d'apprentissage par transfert les plus récentes. Ce cadre offre un moyen pratique de déployer des systèmes d'IA fiables dans divers environnements médicaux.
