非高斯与时间相关信号盲分离的快速算法

基于摘要分析。本文研究同时包含非高斯成分与时间相关成分的盲源分离（BSS）问题，提出 FCOMBI，融合 EFICA 与 WASOBI 的分离能力，旨在兼顾分离精度、计算效率与稳定性。 核心机制是结合基于非高斯性的 BSS 与基于互相关的 BSS，使两种分离依据形成互补。摘要未说明融合规则、成分分配策略、优化目标及具体实现，因此尚不能判断其如何选择或组合两个算法的输出。 作者报告，在仿真中，FCOMBI 相对于其他同样面向非高斯与时间相关成分联合分离的方法，精度至少相当且往往更高，并在计算效率和稳定性方面具有优势。摘要未提供信号维度、样本规模、混合条件、对照方法名称、评价指标或运行时间，故这些结论只能保留为摘要层面的定性报告；实验协议、消融及统计信息尚未验证。 作者将高密度 EEG 和 MEG 记录列为潜在适用场景，但摘要未报告真实 EEG/MEG 数据验证，也未涉及 BCI 下游任务。复现时应先核对仿真生成过程、两种算法的融合方式及计时条件。平台推测（待验证）：若记录中的源可分别通过非高斯性或时间相关性区分，这种互补机制可能有助于源分离；但低信噪比、源间相关和样本量有限可能影响可分离性。一个可检验的小实验是在已知源与混合矩阵的模拟 EEG 条件下，比较 FCOMBI、EFICA 与 WASOBI 的分离误差及运行时间，并改变噪声水平与样本长度。该实验仅用于检验适用边界，不代表已有 EEG/BCI 效果；相关 EEG 工作尚未检索确认。