Dans ce papier, nous proposons de classer les psychotropes à partir de mesures de potentiels évoqués en utilisant la P300. La difficulté du problème réside dans le fait que les observations sont en faible nombre et dans un espace de grande dimension, ce qui est fréquent dans les études pharmaceutiques. Il est alors très difficile de caler un modèle probabiliste et de fournir une valeur réaliste de la p-value. Notre test repose sur une approche Reconnaissance de Formes (RdF). L'objectif de ce papier est de présenter les premiers résultats relatifs aux liens entre stabilité d'apprentissage et puissance du test obtenu. Cette pré-étude nous permet de retenir le meilleur algorithme d'apprentissage du détecteur c'est à dire celui qui fournit la plus grande puissance parmi les algorithmes testés. Dans un premier temps, nous donnons les éléments justifiant ce lien. Nous étudions ensuite la stabilité de différents algorithmes d'apprentissage de détecteur, nous estimons leur puissance et confirmons expérimentalement le lien entre stabilité d'apprentissage et puissance. Notre méthode est enfin appliquée sur des données réelles (potentiels évoqués) de différentes molécules testées par rapport à un placebo.