La classification de données fortement bruitées et présentant une importante variabilité constitue un enjeu important. Les signaux électrophysiologiques (EEG) correspondent à ce type de données complexes. Pour une tâche cognitive étudiée, l'activité cérébrale associée présente une importante variabilité temporelle d'une répétition à une autre et le signal d'intérêt, de faible amplitude, est noyé dans un ensemble d'artefacts et de bruit. Nous proposons une procédure permettant de classer, chez un même sujet, deux types de signaux cérébraux à partir d'une modélisation par le modèle linéaire mixte gaussien. Ce travail s'inspire de la méthode présentée par Huang et al. (2008). Notre contribution réside d'une part dans une formalisation simplifiée de la modélisation et d'autre part dans l'introduction d'une transformation en ondelettes permettant une réduction de la dimension temporelle sans perte d'information. La procédure présentée est appliquée à la détection d'ondes d'erreurs au cours d'une tâche cognitive, et nous étudions la performance de notre méthode sur six sujets en comparant les résultats obtenus aux résultats d'une analyse factorielle discriminante.