La modélisation des générateurs intracérébraux est utilisée pour résoudre le "problème inverse" c'est-à-dire pour identifier les sources neuronales responsables de la distribution des potentiels électriques enregistrés sur le scalp. Cette procédure nécessite de disposer de modèles physico-mathématiques de la tête et des générateurs.
On utilise généralement pour modèle de la tête une sphère à trois ou quatre couches conductrices (scalp, os, cerveau et parfois liquide céphalo-rachidien), chaque couche ayant sa propre conductivité électrique. La précision de localisation des modèles sphériques est de l'ordre de 1 à 3 cm (Yvert et al., 1997).
Le modèle de générateur le plus simple et qui repose comme on l'a vu sur des bases physiologiques, est le dipôle de courant équivalent, représenté par un vecteur. Un dipôle est caractérisé par six paramètres : trois pour la position, deux pour l'orientation et un pour l'amplitude (moment du vecteur). Le nombre de dipôles recherchés est fixé par l'expérimentateur en fonction de connaissances ou d'hypothèses a priori. L'activité électrique dans une fenêtre temporelle peut-être modélisée par trois types de dipôles : des dipôles stationnaires dont la position et l'orientation restent fixes dans cette fenêtre temporelle (seule l'amplitude varie dans le temps) ; des dipôles tournants dont seule la position reste fixe (l'orientation et l'amplitude varient au cours du temps) ; et des dipôles mobiles pour lesquels les six paramètres varient à chaque latence 10 .
Etant donné que différentes configurations de sources peuvent donner les mêmes grandeurs électriques en surface, le problème inverse n'a pas de solution unique. Il s'agit donc de minimiser la variance résiduelle entre les champs de potentiel mesurés (données expérimentales) et ceux qui seraient produits par la configuration des sources estimées par le modèle. Ceci est effectué par une méthode itérative. Lorsque le minimum de variance est atteint, on obtient une estimation de la localisation et de l'orientation des générateurs intracérébraux qui expliquent le mieux les données expérimentales.
On a développé récemment des modèles plus réalistes de la tête et des générateurs (sources distribuées) qui peuvent augmenter la précision des solutions (environ 1 cm) mais au prix d'une plus grande complexité théorique et pratique. Nous ne parlerons pas de ces modèles ici (voir Pernier et Bertrand, 1997 ; Yvert et al., 1997).