Les ondes cérébrales (OC) sont de plus en plus reconnues comme un cadre spatiotemporel essentiel à l’organisation de l’activité corticale. Pourtant, les approches de modélisation traditionnelles, telles que le modèle de Kuramoto, reposent souvent sur des oscillateurs déterministes et synchronisés. Ces modèles ignorent fréquemment la stochasticité intrinsèque et les fluctuations bruitées propres aux enregistrements électrophysiologiques chez les mammifères. Dans cette présentation, nous proposons un nouveau cadre qui traite les OC comme des fluctuations stochastiques se propageant à travers une connectivité structurée. En utilisant un réseau d'unités de type Wilson-Cowan (WC) couplées et pilotées par le bruit, nous démontrons que des motifs complexes d'OC émergent même lorsque l'état global du système est un point fixe stable. Dans ce régime, les ondes ne sont pas le produit d'oscillations de cycles limites, mais des fluctuations entretenues et structurées par la connectivité. Pour caractériser analytiquement ce comportement, nous utilisons la méthode de moyennage stochastique (SAM) afin de dériver un système d'équations stochastiques enveloppe-phase. Cette description en dimension réduite capture la transition du bruit local à la propagation globale, offrant un meilleur ajustement aux dynamiques d'ondes non stationnaires observées dans les données humaines et animales. Nos résultats suggèrent que la stochasticité du cerveau n'est pas un simple bruit de fond, mais une composante structurée de son architecture computationnelle, offrant une nouvelle perspective statistique pour interpréter les dynamiques neuronales à grande échelle.