分解算法是非植入式腦機接口系統(tǒng)的主流解碼算法。分解算法廣 泛應用于腦機接口系統(tǒng)的去噪與意圖解碼。分解算法通常使用矩陣分 解或提取空間濾波器來增加不同類別意圖的解碼可分離性。大多數(shù)分 解算法都是為特征提取而設(shè)計的，矩陣特征分解后通常需要連接到分 類器。d立成分分析（ICA）是使用廣泛的分解算法之一。

ICA 一方 面可對不同源信號進行特征分析，另一方面還可用于去噪（例如去除 眨眼成分、偽影信號等）。在解碼腦意圖時，不同腦機接口范式的分 解算法存在差異。運動想象范式解碼多采用通用空間模式（CSP）及 衍生算法。CSP 可大化不同分布的方差信號，例如對左右手運動想 象進行分類。在 CSP 基礎(chǔ)上逐漸衍生出濾波器組 CSP（FBCSP）、提 議判別濾波器組 CSP（DFBCSP）、臨時約束的稀疏組空間模式（TSGSP） 等。

穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）解碼多采用典型相關(guān)分析（CCA） 及衍生算法。CCA 算法有效解決了以往非空域分解算法難于處理的 導聯(lián)挑選問題。近十年學者提出諸多 CCA 改進算法，例如濾波器組 CCA（FBCCA）、任務相關(guān)成分分析（TRCA）、集成 TRCA（eTRCA）、 任務相關(guān)成分分析算法（mTRCA、TDCA 等）。視覺 P300 電位解碼 算法依托 xDAWN 算法和 DCPM 算法。目前有增強 P300 誘發(fā)電位的xDAWN 算法以及將空間模式提取和模式匹配結(jié)合的 DCPM 算法。

近十年以黎曼幾何為代表的流形算法在腦機接口系統(tǒng)中廣泛應 用。黎曼幾何算法通�？梢杂糜趯ΨQ正定（SPD）矩陣的空間上應用 運算，進而提供一個統(tǒng)一的框架來處理不同的腦機接口范式。

例如基 于小均值距離（MDM）和帶有測地線濾波（FgMDM）算法對 MI 任務進行分類。MDM 類似于使用歐式距離而不是黎曼距離的近鄰算法。FgMDM 將協(xié)方差投影到切線空間，將線性判別分析（LDA） 應用于切線向量，然后將它們投影回帶有選定分量的 SPD 空間。黎曼框架由于具有擴展性，因此易于多場景應用并與機器學習方法結(jié)合