独立分量分析的解析：
独立分量分析，又称独立成分分析，其目的是将观察到的数据表示为相互统计独立的成分 进行线性变化的结果，并且这些相互统计独立的成分均是非高斯的。ICA算法的基础是非高斯且统计独立，即观测信号由原始信号线性变换得到，原始信号中的各分量中至多有一个信号是高斯信号，并且原始信号各分量之间是统计独立即线性无关。
ICA算法有：分别基于自然梯度的信息最大化算法、扩展信息最大化算法、快速ICA算法（FastICA,Fast Independent Component Analysis）。通过文章1实验表明三种算法均能有效地提取FECG,但FastICA分离效果更好，迭代次数更快，而且FastICA算法迭代不需要进行学习率的选择，更简单方便。
小波域变步长ICA算法：文章2采用基于小波域的ICA算法进行FECG的提取。该算法首先利用小波变换将采集到的各导联混合信号变换到小波域，在小波域采用模拟退火的指数衰减型变步长法进行独立分量的提取，最后将提取的各独立分量进行小波逆变换提取FECG.文章通过证明该算法在波形重合时也能有效的提取FECG,这是时域ICA算法所不能的。
自相关和ICA算法：文章3考虑到采集的混合信号时周期信号，对信号的时间相关性进行分析，提出一种新的基于ICA的FECG提取算法。文中指出混合信号的自相关函数时周期性的，可以求得信号的具体周期；为了减弱信号的时间相关性对混合信号进行片段截取，然后再利用传统的FastICA算法提取FECG。文章通过对临床心电数据的FECG提取实验表明该算法是有效的，并且能很好的抑制MECG成分。
ICA和改进遗传算法: 文章4将遗传算法与FastICA结合，利用遗传算法具有全局寻优能力，克服了ICA算法易陷入局部最优的缺点。该算法能够自适应地调整迭代方向，并且FastICA算法加强了遗传算法的局部寻优的能力，通过实验表明该算法具有更高的分离精度和更快的迭代速度。
压缩感知（CS,Compressive Sensing）和ICA：文章5将压缩感知（CS,Compressive Sensing）和ICA结合得到一种新的胎儿心电信号提取方法。该算法将ICA直接用于压缩信号的分离，并改进l-RLS算法用于信号的重建，从而分离FECG。文章通过对数据集的测试与评估证明了该算法的有效性，并且重建的FECG质量有了很大的提高。
EKF和SVD: 文章提出一种将扩展卡尔曼滤波( EKF) 算法和奇异值分解( SVD) 算法相结合的单通道胎儿心电提取方法。首先， 建立母体心电的动态模型， 利用该模型通过扩展卡尔曼滤波或扩展卡尔曼平滑( EKS) ， 从孕妇的单通道腹部信号中估计出母体心电成分， 然后与单通道腹部信号相减得到胎儿心电信号的初步估计， 随后再利用奇异值分解算法， 对初步估计出的胎儿心电信号进行去噪处理， 以期得到高信噪比的胎儿心电信号。
