L’intérêt pour l’Analyse en Composantes Indépendantes (ICA) n’a cessé de grandir et ce depuis les travaux précurseurs de C. Jutten et al. [10]. Nombre d’approches ont vu le jour, chacune visant `a traduire la notion d’indépendance statistique sous une forme algorithmiquement exploitable
[1,3,5,8,11]. Parmi elles, certaines ont établi un lien entre l’ICA et la décomposition canonique de tableaux cumulants d’ordre supérieur, proposant alors de nouveaux outils de décomposition tensorielle [1, 3, 5]. Si la s´eparation de sources rencontre un grand succès, c’est en partie d au fait qu’elle trouve sa place dans grand nombre d’applications telles que les télécommunications, le tatouage, le traitement de la parole ou bien encore le domaine biomédical. Ainsi, des travaux visant l’´elaboration d’un système ambulatoire multi-varié permettant d’explorer, sur une longue dur´ee et `a domicile, les fonctions neurologiques pour le diagnostic de différents troubles du sommeil, ont récemment ´et´e men´es [12]. Ces derniers ont conduit `a l’´elaboration d’un nouveau système d’acquisition compos´e de seulement quatre électrodes et d’une référence en lieu et place des systèmes standards d’enregistrement compos´es au minimum d’une dizaine de capteurs. Cette réduction du nombre d’´electrodes a cependant n´ecessit´e l’utilisation de l’ICA afin d’identifier les composantes d’intérêt pour le clinicien. N´eanmoins, et tel est le cas pour l’application précédente, il n’est pas toujours n´ecessaire d’extraire l’ensemble des composantes, d’o`u l’´emergence des techniques d’ICA dites de d´eflation visant `a identifier les composantes l’une aprés l’autre. La première m´méthode `a voir le jour, que nous nommerons DEFA (DEFlation Approach for ICA), fut propos´ee `a la fin du si`ecle dernier [7]. D’autres suivront telles que la version non sym´etrique de Fast ICA [8] ou bien, plus r´ecemment, l’approche RobustICA [14]. Si
DEFA [7] est remarquable d’un point de vue th´eorique, elle souffre en