La maladie de Parkinson, deuxième maladie neurodégénérative la plus répandue après la maladie d'Alzheimer, exige un diagnostic précoce efficace. Les méthodes cliniques et invasives traditionnelles présentent des limites. Cette étude explore une approche non invasive basée sur l'EEG pour détecter les dysfonctionnements cognitifs chez les patients atteints de la maladie de Parkinson pendant une tâche cognitive spécifique. Pour ce faire, les données EEG haute résolution de 30 patients atteints de la maladie de Parkinson et de 30 sujets sains ont été recueillies. Les activités associées de profondeur ont été reconstruites et trois nouvelles méthodes d'estimation de modèle vectoriel autorégressif - JOCE, SOCAR et eBIC-LASSO - ont alors été développées afin de les modéliser. Ces méthodes reposent sur la résolution d'un problème inverse sous contrainte de parcimonie de groupe à l'aide d'une approche d'optimisation proximale. L'analyse comportementale a montré une altération du contrôle cognitif de l'action chez les patients parkinsoniens, avec des temps de réaction plus lents et une précision réduite. L'analyse de la connectivité effective a révélé une altération des réseaux cérébraux de la bande bêta, notamment une perte de contrôle du lobe frontal et un contrôle accru du lobe temporal. Ces résultats suggèrent que la connectivité effective est un outil prometteur pour le diagnostic précoce de la maladie de Parkinson.