Cet article compare l'apport de différentes méthodes de résolution du problème inverse pour la classification de l'activité cérébrale en temps réel. Un jeu de données provenant d'une expérience de somatotopie en MEG a été utilisé et une expérience d'imagination motrice en EEG a été réalisée. L'objectif est de classifier les données afin de retrouver, à partir des enregistrements MEG, quel doigt a été l'objet d'une stimulation, et à partir des données EEG, quelle a été la tâche motrice réalisée. Pour cela, diverses méthodes de résolution du problème inverse sont utilisées pour reconstruire l'activité corticale et ainsi augmenter la résolution spatiale. Un algorithme récursif se servant du t-test de Student est proposé pour sélectionner les sources corticales pertinentes pour la classification. Les résultats sont obtenus à l'aide d'une Machine à Vecteur Support (SVM). Sur l'ensemble des données traitées, l'utilisation du Minimum-Norm n'entraîne pas d'amélioration significative des taux de classification. En revanche, l'application du Beamforming a permis de faire progresser le pourcentage de réussite de 80.2% à 83.4% en moyenne pour la MEG et 60% à 62% pour l'EEG.