L'estimation de la fonction de réponse hémodynamique (FRH) en imagerie par résonance magnétique fonctionnelle (IRMf) est essentielle pour une meilleure compréhension des activations cérébrales. Nous abordons ce problème dans un cadre bayésien en introduisant un a priori temporel sur la FRH et sous une forme non supervisée en maximisant la log-vraisemblance vis-à-vis des hyperparamètres. L'originalité de ce travail réside dans la définition d'une nouvelle fonction de vraisemblance, au nombre de paramètres réduit, qui vise d'une part à améliorer la prise en compte de la variabilité des artefacts physiologiques (coeur, respiration), et d'autre part à accélérer la convergence de l'algorithme EM utilisé pour la maximiser. Nous montrons l'intérêt de cette approche en la comparant aux travaux pré-existant [Ciuciu03,IEEE-TMI], à la fois en simulation et sur données réelles.