分解算法是非植入式腦機接口系統的主流解碼算法。分解算法廣 泛應用于腦機接口系統的去噪與意圖解碼。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。大多數分 解算法都是為特征提取而設計的，矩陣特征分解后通常需要連接到分 類器。獨立成分分析（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 可最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。

穩態視覺誘發電位（SSVEP）解碼多采用典型相關分析（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）、任務相關成分分析（TRCA）、集成 TRCA（eTRCA）、 任務相關成分分析算法（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 誘發電位的xDAWN 算法以及將空間模式提取和模式匹配結合的 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，進而提供一個統一的框架來處理不同的腦機接口范式。

例如基 于最小均值距離（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最近鄰算法。FgMDM 將協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合