Desde el punto de vista del modelo matemático, la señal de EEG puede considerarse como la suma de la actividad eléctrica de distintas poblaciones neuronales localizadas en diferentes áreas cerebrales. Una manera natural de análisis consiste en el uso de algoritmos de Análisis de Componentes Independientes (ICA). Una fuerte suposición que asumen estos algoritmos es que las muestras que usan para la estimación de sus parámetros no tienen ninguna estructura u orden particular, lo que limita el poder de modelado del método. Incluyendo información sobre la estructura temporal, por ejemplo mediante modelos ocultos de Markov, es posible aumentar el poder de representación del modelo básico. Se propone el uso de un modelo paramétrico generativo conocido como Análisis de Componentes Independientes Ocultas de Markov, que combina el Análisis de Componentes Independientes con los Modelos Ocultos de Markov, para realizar el estudio de señales electroencefalográficas. En particular se estudia su aplicabilidad para las tareas de remoción de artefactos y de detección de crisis epilépticas.
