Le neurofeedback (NF) est une méthode permettant à un individu d'apprendre à réguler son activité cérébrale. Les acquisitions simultanées par électroencéphalographie (EEG) et imagerie par résonance magnétique fonctionnelle (IRMf) permettent d'améliorer l'efficacité des entraînements NF dans un contexte d'imagerie motrice (Perronnet et al., 2017, https://doi.org/10.3389/fnhum.2017.00193). Cependant, l'utilisation de l'IRM étant contraignante et coûteuse, nous souhaitons minimiser son utilisation. Ainsi, nous étudions des modèles d'apprentissage automatique tels que les réseaux “long short-term memory” (LSTM) et les réseaux neuronaux convolutionnels (CNN) pour prédire les scores NF-IRMf à partir des signaux EEG. Nous avons acquis des données EEG-IRMf simultanées sur 15 sujets sains au cours d'une tâche d'imagerie motrice, en suivant le protocole XP2 décrit dans (Lioi et al., 2020, https://doi.org/10.1038/s41597-020-0498-3). Ce jeu comprend trois séries de cinq minutes par sujet, avec leurs scores respectifs d'activation cérébrale, appelés scores NF. Notre méthode consiste premièrement à utiliser un algorithme génétique pour obtenir un ensemble d'hyperparamètres pour un modèle LSTM et un modèle CNN. Nous entraînons ensuite les deux types de modèles. Puis, nous prédisons les scores NF-IRMf, auxquels nous ajoutons les véritables scores NF-EEG pour les comparer à la vérité terrain combinée NF-EEG-IRMf. Enfin, un aspect important du problème consistera à interpréter ces modèles, afin de mieux comprendre les liens entre ces deux modalités.