分解算法是非植入式脑机接口系统的主流解码算法。分解算法广 泛应用于脑机接口系统的去噪与意图解码。分解算法通常使用矩阵分 解或提取空间滤波器来增加不同类别意图的解码可分离性。大多数分 解算法都是为特征提取而设计的，矩阵特征分解后通常需要连接到分 类器。独立成分分析（ICA）是使用广泛的分解算法之一。

ICA 一方 面可对不同源信号进行特征分析，另一方面还可用于去噪（例如去除 眨眼成分、伪影信号等）。在解码脑意图时，不同脑机接口范式的分 解算法存在差异。运动想象范式解码多采用通用空间模式（CSP）及 衍生算法。CSP 可最大化不同分布的方差信号，例如对左右手运动想 象进行分类。在 CSP 基础上逐渐衍生出滤波器组 CSP（FBCSP）、提 议判别滤波器组 CSP（DFBCSP）、临时约束的稀疏组空间模式（TSGSP） 等。

稳态视觉诱发电位（SSVEP）解码多采用典型相关分析（CCA） 及衍生算法。CCA 算法有效解决了以往非空域分解算法难于处理的 导联挑选问题。近十年学者提出诸多 CCA 改进算法，例如滤波器组 CCA（FBCCA）、任务相关成分分析（TRCA）、集成 TRCA（eTRCA）、 任务相关成分分析算法（mTRCA、TDCA 等）。视觉 P300 电位解码 算法依托 xDAWN 算法和 DCPM 算法。目前有增强 P300 诱发电位的xDAWN 算法以及将空间模式提取和模式匹配结合的 DCPM 算法。

近十年以黎曼几何为代表的流形算法在脑机接口系统中广泛应 用。黎曼几何算法通常可以用于对称正定（SPD）矩阵的空间上应用 运算，进而提供一个统一的框架来处理不同的脑机接口范式。

例如基 于最小均值距离（MDM）和带有测地线滤波（FgMDM）算法对 MI 任务进行分类。MDM 类似于使用欧式距离而不是黎曼距离的最近邻算法。FgMDM 将协方差投影到切线空间，将线性判别分析（LDA） 应用于切线向量，然后将它们投影回带有选定分量的 SPD 空间。黎曼框架由于具有扩展性，因此易于多场景应用并与机器学习方法结合