盲源分离(BSS)和独立成分分析(ICA)
BSS
盲源分离是最流行的伪迹检测/移除方法之一，其目的是提取混合信号中独立的未知的源信号；同时尽可能在对源信号和混合通道没有或者有非常有限的了解下尽可能仅通过在每一个通道的输出观测到的混合信号来估计未知的混合通道。盲源分离包括ICA(独立成分分析)、CCA(典型成分分析)、MCA(形态成分分析)三种方法。
数学表示式：
X = AS + N
S’ = WX
其中,X表示观测到的信号(假设X为若干源信号和噪声信号的混合),N代表噪声信号，A为系数矩阵，W也为系数矩阵（需要对W矩阵进行估计），S’为S的估计
ICA
独立成分分析是盲源分离的一个特例，它假设组成观测信号的若干源信号是线性独立的。
基于ICA的伪迹检测和去除方法存在的问题
1.非自动的
2.需要人为介入去除观察到的伪迹
基于ICA的伪迹检测和去除方法的自动化
1.ICA+WT(Wavelet Transform,小波变换)
2.ICA+EMD(Empirical Mode Decomposition,经验模态分解)
3.使用分类器，例如SVM(Support Vector Machine,支持向量机-一种机器学习算法)
4.参考信号辅助
缺点
1.伪迹独立成分仍然可能包含残余的神经信号导致神经信号的失真
2.不能用于单通道数据
3.不适合实时应用