L’un des défis les plus intéressants dans le domaine des interfaces cerveau-machine basées sur l’ÉCoG (Électroencéphalographie intracrânienne) concerne la prédiction des mouvements. La capacité à effectuer une telle prédiction ouvre la voie à une commande de haute précision pour des machines telles qu’un bras robotique ou des mains robotiques. À la suite de l’intérêt croissant de la communauté des ICM (Interfaces Cerveau-Machine) pour ce problème, la quatrième édition du Concours ICM a mis à disposition un jeu de données visant à prédire les mouvements individuels des doigts à partir de signaux ÉCoG. La difficulté de ce problème réside dans le fait qu’aucune relation simple ne relie les signaux ÉCoG aux mouvements des doigts. Dans cet article, nous proposons d’estimer et de décoder ces flexions digitales à l’aide de modèles à commutation contrôlés par un état caché. Ces modèles à commutation permettent d’intégrer des connaissances a priori sur le problème de décodage et aident à prédire des mouvements fins et précis. Notre modèle repose ainsi sur deux blocs : un premier qui estime quel doigt est en mouvement, et un second qui, une fois ce doigt identifié, prédit les mouvements de tous les autres doigts. Les résultats numériques soumis au Concours montrent que le modèle atteint des performances élevées de décodage lorsque l’état caché est correctement estimé. Cette approche a obtenu la deuxième place au Concours ICM, avec un coefficient de corrélation de 0,42 entre les mouvements réels et les mouvements prédits.