On considère le problème de la régression parcimonieuse de signaux multicanaux sur des repères temps-fréquences. Les signaux multicanaux sont décomposés sur un unique repère en utilisant des coefficients vectoriels (i.e. multi-canal). La parcimonie apparaît habituellement grâce à des approches type “basis pursuit denoising” : la régression s'effectue en minimisant une fonctionnel qui fait intervenir un terme d'attache aux données 2 , et une pénalité 1 sur les coefficients. Dans cette contribution, cette dernière est remplacée par une norme mixte, qui favorise la parcimonie à l'intérieur d'un canal et la persistance au travers les différents canaux (i.e. un coefficient donné est considéré “actif” dans un groupe de canaux assez large). On montre que l'optimisation des fonctionnels correspondantes se résout à l'aide d'algorithmes de seuillage généralisé itératif. On présente en plus des adaptations pour l'analyse et le débruitage de signaux EEG et MEG, où l'information topographique des canaux est prise en compte.