Deze thesis behandelt de analyse van data die ontstaan op het gebied van muziekneurowetenschap, in het bijzonder data verzameld met neurofysiologische meettechnieken die gemodelleerd kunnen worden als willekeurige objecten in ruimtes van gladde functies. Ruimtes uitgerust met een Hilbert-structuur bieden een veelzijdig en elegant kader voor de veralgemening van verschillende statistische technieken en garanderen zo het aanpassingsvermogen en de robuustheid bij de analyse van complexe datastructuren. Binnen de context van functionele data-analyse dienen deze ruimtes als essentiële instrumenten voor het begrijpen en interpreteren van dynamische datatrends over continue domeinen. Gezien de relevantie van onafhankelijke componentenanalyse (ICA) in neurowetenschappelijke studie, is ons onderzoek gericht op de functionele tegenhanger ervan, een techniek waarvan het potentieel nog steeds enigszins over het hoofd wordt gezien. Functionele ICA kan worden beschouwd als een verfijning van functionele principale componentenanalyse, gericht op de identificatie van "zo onafhankelijk mogelijk" laagdimensionale structuren door gebruik te maken van de onderliggende topologische kenmerken van de data. We geven een uitgebreide beschrijving van de theoretische grondslagen van functionele ICA in een oneindig dimensioneel kader en breiden de methode uit tot Sobolev-ruimtes van gladdere functies. Enkele theoretische eigenschappen met betrekking tot functionele dataclassificatie worden ook voorgesteld. Bovendien ontwikkelden we een repertoire van verwante functionele datatechnieken op maat voor het voorbewerken en analyseren van data in het opkomende gebied van de belichaamde muziekneurowetenschap, die de neurologische basis onderzoekt van hoe het lichaam muzikale ervaringen beïnvloedt. Er werden twee methodes gebaseerd op niet-lineaire wavelet- en polynomiale benaderingen ontwikkeld voor het voorbewerken van artefactuele activiteit in EEG-signalen en pupillometrie. Deze methodes leveren uitstekende resultaten op voor neuromotorisch onderzoek, vooral gezien de suboptimale conditie van de geregistreerde data als gevolg van bewegingsactiviteit. Verder introduceren we een reeks neurale descriptoren afgeleid van data die zijn verzameld met de eerdergenoemde niet-invasieve methodes, met als doel het gedrag van de hersenen tijdens belichaamde muzikale interacties bloot te leggen. Meer specifiek richten we ons op methodologieën voor het modelleren van neurotransmitteractiviteit, een kritisch aspect dat essentieel is bij de vormgeving van motorische interacties en andere proprioceptieve sensaties. Ons experimenteel onderzoek is gebaseerd op het concept van emotie in een neurologisch domein, wat een uniek kader biedt om de neurale essentie van belichaamdheid in muziek te definiëren en vast te leggen.