卡尔曼滤波器的强大之处在于它通过使用过程的内部模型来预测信号/对象的下一个“状态”。这就是为什么它对物理过程非常有效的原因，因为它们（通常）可以以非常高的精度建模。

您指出不可能为您的信号导出模型这一事实使得使用（甚至可能使用）卡尔曼滤波器的效果无用/不可能。

对于像 EEG 信号这样的东西，使用 LMS（最小均方）或 RLS（递归最小二乘）之类的自适应滤波器可能会比 Kalman 更好。正如您所指出的，为这种类型的信号开发卡尔曼的状态模型可能很困难，甚至是不可能的。LMS 和 RLS 是“学习”算法，更适合。

关于自适应滤波器的维基百科文章

提到 ECG 信号的情况作为示例应用程序，尽管它没有详细说明。

Simon Haykin 的“自适应滤波器理论”是对这些类型滤波器的一个很好的参考。

有研究论文提到在脑电信号中使用卡尔曼滤波器。主要挑战之一是模型的推导或实施。这可能很困难，但并非不可能。