L'objectif principal de la recherche expérimentale en neurosciences est de comprendre les mécanismes bio-physiques qui sont à l'origine de phénomènes neuronaux complexes. Lorsque le but est de reproduire informatiquement des signaux cérébraux réalistes, cela implique généralement l'inférence des paramètres de modèles stochastiques non-linéaires. Cette tâche est d'autant plus difficile si le couplage de certains paramètres conduit à des modèles intrinsèquement indéterminés. Nous présentons une méthode capable de lever une telle indétermination en étendant les développements récents de l'inférence par simulation (SBI) aux modèles hiérarchiques bayésiens. L'idée est d'exploiter l'information incluse dans un ensemble d'observations supplémentaires partageants les mêmes paramètres globaux, afin de fournir une estimation plus précise des paramètres couplés. Nous appliquons cette méthode à un modèle neuronal connu, le Jansen & Rit Neural Mass Model pour étudier quelles informations supplémentaires permettent d'obtenir les meilleures estimations de paramètres pour des signaux EEG.