Plusieurs études traitant des interfaces cerveau machine (ICM) (brain computer interface [BCI]) à base d’analyses en composantes indépendantes (ACI) ont été présentées ces dernières années. La plupart d’entre elles ont exploré seulement un nombre réduit d’algorithmes ACI, et en particulier les algorithmes FastICA et InfoMax. L’objectif de cet article est de fournir quelques éléments pour aider les chercheurs travaillant dans le domaine des ICM, en particulier ceux qui ne sont pas familiarisés avec les techniques d’ACI, à choisir un algorithme d’ACI. À cet effet, le concept de l’ACI est brièvement introduit ainsi qu’une description rapide d’algorithmes classiquement mis en œuvre, pour l’exploitation du principe d’ACI, à savoir les algorithmes SOBI, COM2, JADE, ICAR, FastICA et InfoMax. La mise en œuvre de la technique ACI dans le domaine des ICM est également revue. Enfin, une étude comparative de ces algorithmes, réalisée sur des données EEG simulées, montre qu’une sélection appropriée d’un algorithme d’ACI peut sensiblement améliorer les capacités des systèmes ICM.

Several studies dealing with brain computer interfaces (BCI) were conducted using the concept of independent components analysis (ICA). Most of these studies only used a reduced number of ICA techniques, mainly the two algorithms FastICA and InfoMax. The main goal of this paper is to present some key points regarding ICA to help BCI researchers not familiar with ICA techniques to select the best appropriate method to tackle the questions understudy. Therefore, the concept of ICA is briefly introduced as well as a short description of algorithms widely used in ICA community, namely SOBI, COM2, JADE, ICAR, FastICA and InfoMax algorithms. The implementation of the ICA technique in the field of the BCI is also reported. Finally, a comparative study of these algorithms, conducted on physiologically plausible simulated EEG data, shows that an appropriate selection of an ICA algorithm can significantly improve the overall capabilities of BCI systems.